Python 为什么时间戳构造函数是解析日期字符串的最快方法？

我正在加速字符串到时间戳的转换，我注意到使用时间戳构造函数似乎是实现这一点的最快方法：

import pandas as pd
from time import perf_counter as pc

test_time = '2016-12-01 19:44:47.891124'

t0 = pc()
for _ in range(100000):
    pd.Timestamp.strptime(test_time, '%Y-%m-%d %H:%M:%S.%f')
pc() - t0
# 1.6517095469753258

t0 = pc()
for _ in range(100000):
    pd.to_datetime(test_time)
pc() - t0
# 5.428138378018048

t0 = pc()
for _ in range(100000):
    pd.Timestamp(test_time)
pc() - t0
# 0.20555895700817928

---

我感到惊讶的是，构造函数实际上比

strtime

方法性能更好，因为在后者中，我们明确说明了如何解析字符串。时间戳构造函数做了什么比其他方法好得多

您使用的流程效率低下。您应该使用

pd.to_datetime

一次性批量转换日期，而不是单独进行

请考虑以下设置：

test_dts = ['2016-12-01 19:44:47.891124']*10**5

您计时的实质是一次一个地解析每个日期：

%timeit [pd.to_datetime(dt) for dt in test_dts]
1 loop, best of 3: 5.33 s per loop

您只需在一个步骤中批量转换它们：

%timeit pd.to_datetime(test_dts)
10 loops, best of 3: 31.6 ms per loop

使用

pd.Timestamp

单独执行每一项操作的速度较慢：

%timeit [pd.Timestamp(dt) for dt in test_dts]
10 loops, best of 3: 166 ms per loop

---

您使用的流程效率低下。您应该使用

pd.to_datetime

一次性批量转换日期，而不是单独进行

请考虑以下设置：

test_dts = ['2016-12-01 19:44:47.891124']*10**5

您计时的实质是一次一个地解析每个日期：

%timeit [pd.to_datetime(dt) for dt in test_dts]
1 loop, best of 3: 5.33 s per loop

您只需在一个步骤中批量转换它们：

%timeit pd.to_datetime(test_dts)
10 loops, best of 3: 31.6 ms per loop

使用

pd.Timestamp

单独执行每一项操作的速度较慢：

%timeit [pd.Timestamp(dt) for dt in test_dts]
10 loops, best of 3: 166 ms per loop

---

这段代码读起来相当混乱。您可能不应该在python中设置这样的格式。您想知道吗？Pandas是开源的。@BrandonIbbotson该代码足以进行时间测试，但我已经对其进行了更新，使其更具吸引力readable@jonrsharpe我看了源代码，但我很难找到解决方法。时间戳或Timestamp的uu init uuu在哪里？这段代码读起来相当混乱。您可能不应该在python中设置这样的格式。您想知道吗？Pandas是开源的。@BrandonIbbotson该代码足以进行时间测试，但我已经对其进行了更新，使其更具吸引力readable@jonrsharpe我看了源代码，但我很难找到解决方法。时间戳或时间戳的初始化在哪里？