環境：numpy,pandas,python3

在機器學習和深度學習的過程中，對于處理預測，回歸問題，有時候變量是時間，需要進行合適的轉換處理后才能進行學習分析，關于時間的變量如下所示，利用pandas和numpy對csv文件中時間進行處理。

date (UTC) Price 01/01/2015 0:00 48.1 01/01/2015 1:00 47.33 01/01/2015 2:00 42.27

#coding:utf-8import datetimeimport pandas as pdimport numpy as npimport pickle#用pandas將時間轉為標準格式dateparse = lambda dates: pd.datetime.strptime(dates,'%d/%m/%Y %H:%M')#將時間欄合并,并轉為標準時間格式rawdata = pd.read_csv('RealMarketPriceDataPT.csv',parse_dates={'timeline':['date','(UTC)']},date_parser=dateparse)#定義一個將時間轉為數字的函數,s為字符串def datestr2num(s): #toordinal()將時間格式字符串轉為數字 return datetime.datetime.strptime(s,'%Y-%m-%d %H:%M:%S').toordinal()x = []y = []new_date = []for i in range(rawdata.shape[0]): x_convert = int(datestr2num(str(rawdata.ix[i,0]))) new_date.append(x_convert) y_convert = rawdata.ix[i,1].astype(np.float32) x.append(x_convert) y.append(y_convert)x = np.array(x).astype(np.float32)"""with open('price.pickle','wb') as f: pickle.dump((x,y),f)"""print(datetime.datetime.fromordinal(new_date[0]),'------>>>>>>',new_date[0])print(datetime.datetime.fromordinal(new_date[10]),'------>>>>>>',new_date[10])print(datetime.datetime.fromordinal(new_date[20]),'------>>>>>>',new_date[20])print(datetime.datetime.fromordinal(new_date[30]),'------>>>>>>',new_date[30])print(datetime.datetime.fromordinal(new_date[40]),'------>>>>>>',new_date[40])print(datetime.datetime.fromordinal(new_date[50]),'------>>>>>>',new_date[50])

結果

將csv文件中的時間欄合并為一列，并轉為方便數據分析的float或int類型

以上這篇利用numpy和pandas處理csv文件中的時間方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林站長站。