Python 熊猫：将区域设置设置为CSV文件中本地时间不明确的数据帧

我读取的CSV文件的本地时间不明确——由于夏令时的原因，不明确

当我应用

tz_localize（）

时，我运行以下错误：

AmbiguousTimeError: There are %i dst switches when there should only be 1.

这是我重现错误的代码。请注意，由于夏时制，每个日期时间从凌晨2点到凌晨3点是重复的

index=pd.DatetimeIndex（['2018-10-28 01:00:00'，'2018-10-28 01:15:00'，
'2018-10-28 01:30:00', '2018-10-28 01:45:00',
'2018-10-28 02:00:00', '2018-10-28 02:00:00',
'2018-10-28 02:15:00', '2018-10-28 02:15:00',
'2018-10-28 02:30:00', '2018-10-28 02:30:00',
'2018-10-28 02:45:00', '2018-10-28 02:45:00',
'2018-10-28 03:00:00', '2018-10-28 03:15:00',
'2018-10-28 03:30:00', '2018-10-28 03:45:00',
'2018-10-28 04:00:00']，freq='infer'）
数据=列表（范围（长度（索引）））
df=pd.DataFrame（数据=数据，索引=索引）
df.index=df.index.tz_本地化（'Europe/Berlin'，含糊不清的='infer'）

我不太明白为什么即使参数

不明确的class='infer'

也会出现错误
我的数据帧是否必须以任何方式进行排序
如何使用

pd.read\u csv（）

我希望对CSV文件的顺序应用

模糊的

。确切地说，我的意思是：模糊时间格式的顺序有助于区分夏季和冬季

index.tz_localize('Europe/Berlin', ambiguous=np.array([True]*17))

---

我很高兴能得到解决方案的帮助和更广泛的解释。我找不到多少关于顺序如何在数据帧中发挥作用的信息——有时会这样吗？

按照存储数据的方式，根本没有足够的信息来推断哪个日期时间值属于夏季时间，哪个属于冬季时间

一种简单的方法是说您的日期时间值不明确，只需在最后一行设置

dimensional=True

，而不是

dimensional='infer'

：

df.index = df.index.tz_localize('Europe/Berlin', ambiguous=True)

---

这将导致凌晨3点之前的所有时间都分配给夏季时间，而不是在夏季和冬季时间之间分割重复值。

按照您存储数据的方式，根本没有足够的信息来推断哪个日期时间值属于夏季时间，哪个属于冬季时间

index.tz_localize('Europe/Berlin', ambiguous=np.array([True]*17))

一种简单的方法是说您的日期时间值不明确，只需在最后一行设置

dimensional=True

，而不是

dimensional='infer'

：

df.index = df.index.tz_localize('Europe/Berlin', ambiguous=True)

这将导致将凌晨3点之前的所有时间指定给夏季时间，而不是在夏季和冬季时间之间拆分重复值

index.tz_localize('Europe/Berlin', ambiguous=np.array([True]*17))

我认为您的一些dst时间需要推断，但您有重复的时间索引导致推断失败，使用可选的np.array将起作用

---

我认为需要推断一些dst时间，但是重复的时间索引会导致推断失败，使用可选的np.array将起作用。

您在提供的示例数据集中看到的问题是由数据顺序引起的。

dimensional='expert'

选项要求行按正确的时间顺序排列，您的示例数据的行在DST更改前后交替。以下代码起作用，仅更改索引中时间的初始顺序

index = pd.DatetimeIndex(['2018-10-28 01:00:00', '2018-10-28 01:15:00',
                          '2018-10-28 01:30:00', '2018-10-28 01:45:00',
                          '2018-10-28 02:00:00', '2018-10-28 02:15:00', 
                          '2018-10-28 02:30:00', '2018-10-28 02:45:00', 
                          '2018-10-28 02:00:00', '2018-10-28 02:15:00',
                          '2018-10-28 02:30:00', '2018-10-28 02:45:00',
                          '2018-10-28 03:00:00', '2018-10-28 03:15:00',
                          '2018-10-28 03:30:00', '2018-10-28 03:45:00',
                          '2018-10-28 04:00:00'], freq='infer')

data = list(range(len(index)))

df = pd.DataFrame(data=data,index=index)
df.index = df.index.tz_localize('Europe/Berlin', ambiguous='infer')

---

您在提供的示例数据集中看到的问题是由数据顺序引起的。

dimensional='expert'

选项要求行按正确的时间顺序排列，您的示例数据的行在DST更改前后交替。以下代码起作用，仅更改索引中时间的初始顺序

index = pd.DatetimeIndex(['2018-10-28 01:00:00', '2018-10-28 01:15:00',
                          '2018-10-28 01:30:00', '2018-10-28 01:45:00',
                          '2018-10-28 02:00:00', '2018-10-28 02:15:00', 
                          '2018-10-28 02:30:00', '2018-10-28 02:45:00', 
                          '2018-10-28 02:00:00', '2018-10-28 02:15:00',
                          '2018-10-28 02:30:00', '2018-10-28 02:45:00',
                          '2018-10-28 03:00:00', '2018-10-28 03:15:00',
                          '2018-10-28 03:30:00', '2018-10-28 03:45:00',
                          '2018-10-28 04:00:00'], freq='infer')

data = list(range(len(index)))

df = pd.DataFrame(data=data,index=index)
df.index = df.index.tz_localize('Europe/Berlin', ambiguous='infer')

---

谢谢但我正在寻找一种不同于夏季和冬季的解决方案。我认为主要问题是数据根本不包含您试图提取的信息<代码>2018-10-28 2:15:00可以指两个时间点，就是这样。如果你想在时间上区分这两个时间点，你必须用一些夏季和冬季时间的概念来丰富数据。但我正在寻找一种不同于夏季和冬季的解决方案。我认为主要问题是数据根本不包含您试图提取的信息<代码>2018-10-28 2:15:00可以指两个时间点，就是这样。如果你想在时间上区分这两个时间点，你必须用夏季和冬季时间的概念来丰富数据谢谢和抱歉，但是像@KenHBS一样，你的解决方案在夏季和冬季之间没有区别。谢谢和抱歉，但是像@KenHBS一样，你的解决方案在夏季和冬季之间没有区别。