pandas.DatetimeIndex#

class pandas.DatetimeIndex(data=None, freq=<no_default>, tz=<no_default>, ambiguous='raise', dayfirst=False, yearfirst=False, dtype=None, copy=False, name=None)[源代码][源代码]#

不可变的 datetime64 数据的 ndarray 类对象。

在内部表示为 int64，并且可以被装箱到 Timestamp 对象，这些对象是 datetime 的子类并携带元数据。

在 2.0.0 版本发生变更: 各种日期/时间属性（day、month、year 等）现在具有数据类型 int32。以前它们具有数据类型 int64。

参数:

数据类数组（一维）

用于构建索引的类似日期时间的数据。

freqstr 或 pandas 偏移对象，可选

pandas 日期偏移字符串之一或相应的对象。可以传递字符串 ‘infer’ 以在创建时将索引的频率设置为推断的频率。

tzzoneinfo.ZoneInfo, pytz.timezone, dateutil.tz.tzfile, datetime.tzinfo 或 str

设置数据的时区。

模糊‘infer’, bool-ndarray, ‘NaT’, 默认 ‘raise’

当由于夏令时（DST）时钟回拨时，可能会出现不明确的时间。例如在中欧时间（UTC+01），当从夏令时03:00变为非夏令时02:00时，本地时间02:30:00会同时出现在UTC时间00:30:00和01:30:00。在这种情况下，`ambiguous`参数决定了如何处理不明确的时间。

‘infer’ 将尝试根据顺序推断出dst转换小时
bool-ndarray，其中 True 表示夏令时，False 表示非夏令时（请注意，此标志仅适用于不明确的时间）
‘NaT’ 将在存在模糊时间的地方返回 NaT
‘raise’ 如果存在歧义时间，将引发 ValueError。

dayfirst布尔值, 默认为 False

如果为真，以日为先的顺序解析 data 中的日期。

yearfirst布尔值, 默认为 False

如果为真，以年优先的顺序解析 data 中的日期。

dtypenumpy.dtype 或 DatetimeTZDtype 或 str, 默认 None

请注意，唯一允许的 NumPy 数据类型是 datetime64[ns]。

复制布尔值, 默认为 False

制作输入 ndarray 的副本。

名字标签, 默认无

要存储在索引中的名称。

属性

`年`	datetime 的年份
`月份`	月份如 January=1, December=12。
`天`	datetime 的日期
`小时`	datetime 的小时数
`分钟`	datetime 的分钟数
`秒`	datetime 的秒数。
`微秒`	datetime 的微秒
`纳秒`	datetime 的纳秒
`日期`	返回包含 Python `datetime.date` 对象的 numpy 数组。
`时间`	返回 `datetime.time` 对象的 numpy 数组。
`timetz`	返回包含时区的 `datetime.time` 对象的 numpy 数组。
`dayofyear`	一年中的第几天。
`day_of_year`	一年中的第几天。
`dayofweek`	一周中的某一天，星期一=0，星期日=6。
`day_of_week`	一周中的某一天，星期一=0，星期日=6。
`工作日`	一周中的某一天，星期一=0，星期日=6。
`季度`	日期的四分之一。
`tz`	返回时区。
`freq`	如果设置了频率对象，则返回该对象，否则返回 None。
`freqstr`	如果设置了频率对象，则返回其字符串表示，否则返回None。
`is_month_start`	指示日期是否为月份的第一天。
`is_month_end`	指示日期是否是该月的最后一天。
`is_quarter_start`	指示日期是否为季度第一天。
`is_quarter_end`	指示日期是否为季度的最后一天。
`is_year_start`	指示日期是否为一年的第一天。
`is_year_end`	指示日期是否为一年的最后一天。
`is_leap_year`	布尔指示器，指示日期是否属于闰年。
`inferred_freq`	尝试返回一个由 infer_freq 生成的频率表示的字符串。

方法

`normalize`()	将时间转换为午夜。
`strftime`(日期格式)	使用指定的 date_format 转换为索引。
`snap`([freq])	将时间戳对齐到最近的频率。
`tz_convert`(tz)	将时区感知的时间数组/索引从一个时区转换为另一个时区。
`tz_localize`(tz[, ambiguous, nonexistent])	将时区未知的日期时间数组/索引本地化为时区已知的日期时间数组/索引。
`round`(freq[, ambiguous, nonexistent])	对数据执行四舍五入操作到指定的 freq。
`floor`(freq[, ambiguous, nonexistent])	对数据执行向下取整操作到指定的 freq。
`ceil`(freq[, ambiguous, nonexistent])	对数据执行 ceil 操作到指定的 freq。
`to_period`([freq])	在特定频率下转换为 PeriodArray/PeriodIndex。
`to_pydatetime`()	返回一个包含 `datetime.datetime` 对象的 ndarray。
`to_series`([index, name])	创建一个索引和值都等于索引键的序列。
`to_frame`([index, name])	创建一个包含索引列的 DataFrame。
`month_name`([locale])	返回指定区域设置的月份名称。
`day_name`([locale])	返回指定区域设置的星期名称。
`mean`(*[, skipna, axis])	返回数组的平均值。
`std`([axis, dtype, out, ddof, keepdims, skipna])	返回请求轴上的样本标准偏差。

参见

索引: 基本的 pandas Index 类型。
TimedeltaIndex: timedelta64 数据的索引。
PeriodIndex: 周期数据索引。
to_datetime: 将参数转换为日期时间。
date_range: 创建一个固定频率的 DatetimeIndex。

注释

要了解更多关于频率字符串的信息，请参见此链接。

例子

>>> idx = pd.DatetimeIndex(["1/1/2020 10:00:00+00:00", "2/1/2020 11:00:00+00:00"])
>>> idx
DatetimeIndex(['2020-01-01 10:00:00+00:00', '2020-02-01 11:00:00+00:00'],
dtype='datetime64[s, UTC]', freq=None)