10Python全栈之路系列之深浅拷贝标准库系列之datetime模块

简介:

Python标准库系列之datetime模块


Fast implementation of the datetime type.

功能 说明
datetime.date.today() 打印输出当前的系统日期
datetime.date.fromtimestamp(time.time()) 将时间戳转成日期格式
datetime.datetime.now() 打印当前的系统时间
current_time.replace(2016,5,12) 返回当前时间,但指定的值将被替换
datetime.datetime.strptime(“21/11/06 16:30”, “%d/%m/%y %H:%M”) 将字符串转换成日期格式

输出当前系统时间

  1. 1
    2
    >>>  print (datetime.date.today())
    2016 - 05 - 25

将时间戳格式转换为日期格式

  1. 1
    2
    3
    4
    5
    6
    >>> time.time()
    # 时间戳格式
    1464156222.1887317
    >>>  print (datetime.date.fromtimestamp(time.time()))
    # 日期格式
    2016 - 05 - 25

将日期格式转换为struct_time格式

  1. 1
    2
    3
    4
    5
    6
    >>> current_time  =  datetime.datetime.now()
    >>>  print (current_time)
    2016 - 05 - 25  14 : 05 : 26.706667
    >>>  print (current_time.timetuple())
    # 返回struct_time格式
    time.struct_time(tm_year = 2016 , tm_mon = 5 , tm_mday = 25 , tm_hour = 14 , tm_min = 5 , tm_sec = 26 , tm_wday = 2 , tm_yday = 146 , tm_isdst = - 1 )

替换当前系统时间

  1. 1
    2
    >>>  print (current_time.replace( 2016 , 5 , 12 ))
    2016 - 05 - 12  14 : 05 : 26.706667

将字符串转换成日期格式

  1. 1
    2
    3
    >>> str_to_date  =  datetime.datetime.strptime( "21/11/06 16:30" "%d/%m/%y %H:%M" )
    >>>  print (str_to_date)
    2006 - 11 - 21  16 : 30 : 00

时间相加减

比现在加10天

  1. 1
    2
    3
    >>> new_date  =  datetime.datetime.now()  +  datetime.timedelta(days = 10 )
    >>>  print (new_date)
    2016 - 06 - 04  14 : 10 : 36.119523

比现在减10天

  1. 1
    2
    3
    >>> new_date  =  datetime.datetime.now()  +  datetime.timedelta(days = - 10 )
    >>>  print (new_date)
    2016 - 05 - 15  14 : 11 : 06.739814

比现在减10小时

  1. 1
    2
    3
    >>> new_date  =  datetime.datetime.now()  +  datetime.timedelta(hours = - 10 )
    >>>  print (new_date)
    2016 - 05 - 25  04 : 11 : 44.095624

比现在+120s

  1. 1
    2
    3
    >>> new_date  =  datetime.datetime.now()  +  datetime.timedelta(seconds = 120 )
    >>>  print (new_date)
    2016 - 05 - 25  14 : 14 : 02.090219










本文转自 Edenwy  51CTO博客,原文链接:http://blog.51cto.com/edeny/1925754,如需转载请自行联系原作者
目录
相关文章
|
3天前
|
算法 Python
请解释Python中的关联规则挖掘以及如何使用Sklearn库实现它。
使用Python的mlxtend库,可以通过Apriori算法进行关联规则挖掘。首先导入TransactionEncoder和apriori等模块,然后准备数据集(如购买行为列表)。对数据集编码并转换后,应用Apriori算法找到频繁项集(设置最小支持度)。最后,生成关联规则并计算置信度(设定最小置信度阈值)。通过调整这些参数可以优化结果。
25 9
|
3天前
|
索引 Python
如何在Python中使用Pandas库进行季节性调整?
在Python中使用Pandas和Statsmodels进行季节性调整的步骤包括:导入pandas和seasonal_decompose模块,准备时间序列DataFrame,调用`seasonal_decompose()`函数分解数据为趋势、季节性和残差,可选地绘制图表分析,以及根据需求去除季节性影响(如将原始数据减去季节性成分)。这是对时间序列数据进行季节性分析的基础流程。
19 2
|
1天前
|
数据挖掘 数据处理 索引
如何使用Python的Pandas库进行数据筛选和过滤?
Pandas是Python数据分析的核心库,提供DataFrame数据结构。基本步骤包括导入库、创建DataFrame及进行数据筛选。示例代码展示了如何通过布尔索引、`query()`和`loc[]`方法筛选`Age`大于19的记录。
8 0
|
2天前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名
【4月更文挑战第22天】Pandas Python库提供数据排序和排名功能。使用`sort_values()`按列进行升序或降序排序,如`df.sort_values(by='A', ascending=False)`。`rank()`函数用于计算排名,如`df['A'].rank(ascending=False)`。多列操作可传入列名列表,如`df.sort_values(by=['A', 'B'], ascending=[True, False])`和分别对'A'、'B'列排名。
13 2
|
3天前
|
Python
如何使用Python的Pandas库进行数据缺失值处理?
Pandas在Python中提供多种处理缺失值的方法:1) 使用`isnull()`检查;2) `dropna()`删除含缺失值的行或列;3) `fillna()`用常数、前后值填充;4) `interpolate()`进行插值填充。根据需求选择合适的方法处理数据缺失。
29 9
|
4天前
|
数据挖掘 API 数据安全/隐私保护
python请求模块requests如何添加代理ip
python请求模块requests如何添加代理ip
|
4天前
|
缓存 自然语言处理 数据处理
Python自然语言处理面试:NLTK、SpaCy与Hugging Face库详解
【4月更文挑战第16天】本文介绍了Python NLP面试中NLTK、SpaCy和Hugging Face库的常见问题和易错点。通过示例代码展示了如何进行分词、词性标注、命名实体识别、相似度计算、依存关系分析、文本分类及预训练模型调用等任务。重点强调了理解库功能、预处理、模型选择、性能优化和模型解释性的重要性,帮助面试者提升NLP技术展示。
22 5
|
5天前
|
Python
如何使用Python的Plotly库创建交互式图表?
Plotly是Python的交互式图表库,支持多种图表类型,如折线图、散点图、柱状图。使用步骤包括安装库、导入模块、准备数据、创建图表对象、添加数据和设置属性,最后显示或保存图表。
16 6
|
5天前
|
机器学习/深度学习 数据采集 算法
请解释Python中的Sklearn库以及它的主要用途。
Sklearn是Python的机器学习库,提供数据预处理、特征选择、分类回归、聚类、模型评估和参数调优等工具。包含监督和无监督学习算法,如SVM、决策树、K-means等,并提供样例数据集便于实践。它是进行机器学习项目的重要资源。
13 1
|
5天前
|
XML 数据采集 自然语言处理
请解释Python中的BeautifulSoup库以及它的主要用途。
BeautifulSoup是Python的HTML/XML解析库,用于数据提取和网页抓取。它提供树形结构解析文档,支持查找、访问和修改元素。主要用途包括网页抓取、数据清洗、自动化测试、内容生成、网站开发及与其他库集成,如Requests和Scrapy。适用于各种数据处理场景。
9 1