Python 以HH:MM:SS格式高效地将整数列转换为时间
我正在尝试开发一个更有效的Python 以HH:MM:SS格式高效地将整数列转换为时间,python,pandas,loops,Python,Pandas,Loops,我正在尝试开发一个更有效的循环,以完成一个问题。此时,如果下面的代码与特定值对齐,则会应用一个字符串。但是,这些值的顺序是相同的,因此循环可以提高此过程的效率 以下面的df为例,使用整数表示时间段,每增加一个整数等于15分钟。所以1==8:00:00和2==8:15:00等等。此时,我将重复这个过程,直到最后一个时间段。如果达到80,效率可能会非常低。这里是否可以合并循环 import pandas as pd d = ({ 'Time' : [1,1,1,2,2,2,3,3,3
循环
,以完成一个问题。此时,如果下面的代码与特定值对齐,则会应用一个字符串。但是,这些值的顺序是相同的,因此循环
可以提高此过程的效率
以下面的df
为例,使用整数
表示时间段,每增加一个整数等于15分钟。所以1==8:00:00
和2==8:15:00
等等。此时,我将重复这个过程,直到最后一个时间段。如果达到80
,效率可能会非常低。这里是否可以合并循环
import pandas as pd
d = ({
'Time' : [1,1,1,2,2,2,3,3,3,4,4,4,5,5,5,6,6,6],
})
df = pd.DataFrame(data = d)
def time_period(row) :
if row['Time'] == 1 :
return '8:00:00'
if row['Time'] == 2 :
return '8:15:00'
if row['Time'] == 3 :
return '8:30:00'
if row['Time'] == 4 :
return '8:45:00'
if row['Time'] == 5 :
return '9:00:00'
if row['Time'] == 6 :
return '9:15:00'
.....
if row['Time'] == 80 :
return '4:00:00'
df['24Hr Time'] = df.apply(lambda row: time_period(row), axis=1)
print(df)
输出:
一般来说,您需要制作一本词典并应用
my_dict = {'old_val1': 'new_val1',...}
df['24Hr Time'] = df['Time'].map(my_dict)
但是,在这种情况下,您可以使用时间增量:
df['24Hr Time'] = pd.to_timedelta(df['Time']*15, unit='T') + pd.to_timedelta('7:45:00')
输出(请注意,新列的类型为timedelta
,而不是字符串)
这可以通过一些简单的timdelta算法实现:
df['24Hr Time'] = (
pd.to_timedelta((df['Time'] - 1) * 15, unit='m') + pd.Timedelta(hours=8))
df.head()
Time 24Hr Time
0 1 08:00:00
1 1 08:00:00
2 1 08:00:00
3 2 08:15:00
4 2 08:15:00
df.dtypes
Time int64
24Hr Time timedelta64[ns]
dtype: object
如果需要字符串,请使用带有单位和原点的pd.to_datetime
:
df['24Hr Time'] = (
pd.to_datetime((df['Time']-1) * 15, unit='m', origin='8:00:00')
.dt.strftime('%H:%M:%S'))
df.head()
Time 24Hr Time
0 1 08:00:00
1 1 08:00:00
2 1 08:00:00
3 2 08:15:00
4 2 08:15:00
df.dtypes
Time int64
24Hr Time object
dtype: object
最后我用了这个
pd.to_datetime((df.Time-1)*15*60+8*60*60,unit='s').dt.time
0 08:00:00
1 08:00:00
2 08:00:00
3 08:15:00
4 08:15:00
5 08:15:00
6 08:30:00
7 08:30:00
8 08:30:00
9 08:45:00
10 08:45:00
11 08:45:00
12 09:00:00
13 09:00:00
14 09:00:00
15 09:15:00
16 09:15:00
17 09:15:00
Name: Time, dtype: object
一个有趣的方法是使用pd.timedelta_范围
和索引。重复
n = df.Time.nunique()
c = df.groupby('Time').size()
df['24_hr'] = pd.timedelta_range(start='8 hours', periods=n, freq='15T').repeat(c)
Out[380]:
Time 24_hr
0 1 08:00:00
1 1 08:00:00
2 1 08:00:00
3 2 08:15:00
4 2 08:15:00
5 2 08:15:00
6 3 08:30:00
7 3 08:30:00
8 3 08:30:00
9 4 08:45:00
10 4 08:45:00
11 4 08:45:00
12 5 09:00:00
13 5 09:00:00
14 5 09:00:00
15 6 09:15:00
16 6 09:15:00
17 6 09:15:00
我甚至都没有想到这一点。回答得很好。@jonboy使用添加了另一个解决方案到\u datetime
。这使您可以将输出作为字符串,而不是时间增量。@cs95如果时间间隔超过24小时,to_datetime
解决方案可能会产生错误吗?@QuangHoang使用df=pd.DataFrame({'time':np.arange(1,101)})尝试了它,它似乎工作正常。如果您发现了什么,请告诉我。@QuangHoang我打赌timedelta方法“不太正确”,因为附加天数部分(可以删除)。to_datetime
方法似乎在相同的时间间隔内循环,而不增加天数。
pd.to_datetime((df.Time-1)*15*60+8*60*60,unit='s').dt.time
0 08:00:00
1 08:00:00
2 08:00:00
3 08:15:00
4 08:15:00
5 08:15:00
6 08:30:00
7 08:30:00
8 08:30:00
9 08:45:00
10 08:45:00
11 08:45:00
12 09:00:00
13 09:00:00
14 09:00:00
15 09:15:00
16 09:15:00
17 09:15:00
Name: Time, dtype: object
n = df.Time.nunique()
c = df.groupby('Time').size()
df['24_hr'] = pd.timedelta_range(start='8 hours', periods=n, freq='15T').repeat(c)
Out[380]:
Time 24_hr
0 1 08:00:00
1 1 08:00:00
2 1 08:00:00
3 2 08:15:00
4 2 08:15:00
5 2 08:15:00
6 3 08:30:00
7 3 08:30:00
8 3 08:30:00
9 4 08:45:00
10 4 08:45:00
11 4 08:45:00
12 5 09:00:00
13 5 09:00:00
14 5 09:00:00
15 6 09:15:00
16 6 09:15:00
17 6 09:15:00