当进行数据分析时，我们会遇到很多带有日期、时间格式的数据集，在处理这些数据集时，可能会遇到日期格式不统一的问题，此时就需要对日期时间做统一的格式化处理。比如“Wednesday, June 6, 2020”可以写成“6/6/20”，或者写成“06-06-2020。
日期格式化符号
在对时间进行格式化处理时，它们都有固定的表示格式，比如小时的格式化符号为
%H ,分钟简写为
%M ，秒简写为
%S。下表对常用的日期格式化符号做了总结：
日期格式化符号
|
符号 |
说明 |
|
%y |
两位数的年份表示（00-99） |
|
%Y |
四位数的年份表示（000-9999） |
|
%m |
月份（01-12） |
|
%d |
月内中的一天（0-31） |
|
%H |
24小时制小时数（0-23） |
|
%I |
12小时制小时数（01-12） |
|
%M |
分钟数（00=59） |
|
%S |
秒（00-59） |
|
%a |
本地英文缩写星期名称 |
|
%A |
本地英文完整星期名称 |
|
%b |
本地缩写英文的月份名称 |
|
%B |
本地完整英文的月份名称 |
|
%w |
星期（0-6），星期天为星期的开始 |
|
%W |
一年中的星期数（00-53）星期一为星期的开始 |
|
%x |
本地相应的日期表示 |
|
%X |
本地相应的时间表示 |
|
%Z |
当前时区的名称 |
|
%U |
一年中的星期数（00-53）星期天为星期的开始 |
|
%j |
年内的一天（001-366） |
|
%c |
本地相应的日期表示和时间表示 |
Python处理
Python 内置的 strptime() 方法能够将字符串日期转换为 datetime 类型，下面看一组示例：
from datetime import datetime
#将日期定义为字符串
date_str1 = 'Wednesday, July 18, 2020'
date_str2 = '18/7/20'
date_str3 = '18-07-2020'
#将日期转化为datetime对象
dmy_dt1 = datetime.strptime(date_str1, '%A,%B%d,%Y')
dmy_dt2 = datetime.strptime(date_str2, '%d/%m/%y')
dmy_dt3 = datetime.strptime(date_str3, '%d-%m-%Y')
#处理为相同格式，并打印输出
print(dmy_dt1)
print(dmy_dt2)
print(dmy_dt3)
输出结果：
2020-07-18 00:00:00
2020-07-18 00:00:00
2020-07-18 00:00:00
注意：strftime() 可以将 datetime 类型转换为字符串类型，恰好与 strptime() 相反。
Pandas处理
除了使用 Python 内置的 strptime() 方法外，你还可以使用 Pandas 模块的 pd.to_datetime() 和 pd.DatetimeIndex() 进行转换。
1) to_datetime()
通过 to_datetime() 直接转换为 datetime 类型
import pandas as pd
import numpy as np
date = ['2012-05-06 11:00:00','2012-05-16 11:00:00']
pd_date=pd.to_datetime(date)
df=pd.Series(np.random.randn(2),index=pd_date)
输出结果：
2012-05-06 11:00:00 0.189865
2012-05-16 11:00:00 1.052456
dtype: float64
2) DatetimeIndex()
使用 Datetimeindex() 函数设置时间序，示例如下：
date = pd.DatetimeIndex(['1/1/2008', '1/2/2008', '1/3/2008', '1/4/2008', '1/5/2008'])
dt = pd.Series(np.random.randn(5),index = date)
print(dt)
输出结果：
2008-01-01 1.965619
2008-01-02 -2.897374
2008-01-03 0.625929
2008-01-04 1.204926
2008-01-05 1.755680
dtype: float64
