在python 2.7中将包含datetime.timedelta的numpy数组转换为秒的优雅方式

我有一个名为

dt

的numpy数组。每个元素的类型为

datetime.timedelta

。例如：

>>>dt[0]
datetime.timedelta(0, 1, 36000)

import datetime
import numpy

times = numpy.array([datetime.timedelta(0, 1, 36000)])

如何将

dt

转换为数组

dt_sec

，该数组只包含秒而不循环？我目前的解决方案（可行，但我不喜欢）是：

我试图使用

dt.total_seconds（）

，但它当然不起作用。你知道如何避免这种循环吗

谢谢

您可以使用“列表理解”：

---

在幕后，numpy应该将其转化为一种非常快速的操作。

numpy

有自己的

datetime

和

timedelta

格式。只要使用它们；）

设置例如：

>>>dt[0]
datetime.timedelta(0, 1, 36000)

import datetime
import numpy

times = numpy.array([datetime.timedelta(0, 1, 36000)])

代码：

由于人们似乎没有意识到这是最好的解决方案，以下是

timedelta64

数组与

datetime.datetime

数组的一些计时：

SETUP="
import datetime
import numpy

times = numpy.array([datetime.timedelta(0, 1, 36000)] * 100000)
numpy_times = times.astype('timedelta64[ms]')
"

python -m timeit -s "$SETUP" "numpy_times.astype(int) / 1000"
python -m timeit -s "$SETUP" "numpy.vectorize(lambda x: x.total_seconds())(times)"
python -m timeit -s "$SETUP" "[delta.total_seconds() for delta in times]"

结果:

100 loops, best of 3: 4.54 msec per loop
10 loops, best of 3: 99.5 msec per loop
10 loops, best of 3: 67.1 msec per loop

初始转换所需的时间大约是矢量化表达式的两倍，但从那时起，在

timedelta

数组上永久执行的每个操作将快20倍左右

---

---

如果你再也不打算使用那些<代码> TimeDela/Case>s，请考虑一下自己为什么要制作Deltas（与TimeDeltAs4/<代码> s相反），然后使用<代码> NUMPY。它不那么土生土长，但出于某种原因，它速度更快

我喜欢使用

np.vectorize

，如所建议的。如果只需要Python列表，还可以执行以下操作：

dt_sec = map(datetime.timedelta.total_seconds, dt)

---

一种方便而优雅的方法是使用

pandas.Series

和

dt.total_seconds

属性：

import numpy as np
import pandas as pd

# create example datetime arrays
arr1 = np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64')
arr2 = np.array(['2007-07-15', '2006-01-18', '2010-08-22'], dtype='datetime64')

# timedelta array
td = arr2 - arr1

# get total seconds
pd.Series(td).dt.total_seconds()

---

为什么不在

lambda

中使用

x.seconds

？另外，如果数组是平面的一维数组，那么

map（lambda x:x.total_seconds（），dt）

会更快吗？当然是真的（最后必须将列表转换为数组）。我不知道矢量化…这是一个多么有用的函数！谢谢

numpy

在幕后没有做任何事情。见鬼，它可能比正常的

列表上的循环要慢。与此答案相关的一些链接：
Series.dt
：
Series.dt.total_seconds
：
dt_sec = map(datetime.timedelta.total_seconds, dt)

import numpy as np
import pandas as pd

# create example datetime arrays
arr1 = np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64')
arr2 = np.array(['2007-07-15', '2006-01-18', '2010-08-22'], dtype='datetime64')

# timedelta array
td = arr2 - arr1

# get total seconds
pd.Series(td).dt.total_seconds()

0    172800.0
1    432000.0
2    777600.0
dtype: float64