python、pandas、Excel、Powerbi中对日期的处理方法

主要针对datetime类型的时间

以下为用举例的方式来说明在不同场景下，使用不同工具处理时间的方法

1、python对日期的处理

• 功能1：日期相减后天数差值和秒差值

dt = datetime(2020, 1, 2, 2, 45, 2)
dt1 = datetime(2020, 1, 4, 0, 0, 1)
dx = dt1 - dt
dx.days,dx.seconds

• 功能2：获取日期中的天数、分钟数、年月日组合、时分秒组合

dt.day
dt.minute
dt.date()
dt.time()

• 功能3：格式化输出日期：

dt.strftime('%m/%d/%Y %H:%M')
# 01/02/2020 02:45

2、SQL对日期的处理

• 功能1：日期相减(判断间隔是否1天)
  方式：

DATEDIFF(今天.date,昨天.date) = 1

• 功能2：分年查询

select year(makedate) as year, count(id) as total from tb_record group by year;

• 功能3：判断时间区间(between…and…)

SELECT # 仅在2019年春季售出的产品
	DISTINCT s.product_id,
    p.product_name
FROM
	Sales AS s
    INNER JOIN Product AS p
    ON s.product_id = p.product_id
WHERE
	s.product_id NOT IN(
		SELECT  # 在2019年春季之外出售过的产品
			DISTINCT product_id
		FROM
			Sales
		WHERE
			sale_date NOT BETWEEN '2019-01-01' AND '2019-03-31'
	);

3、Pandas对日期的处理

• 功能1：日期转换为datetime类型
  方式：

pd.to_datetime(日期)

• 功能2：日期相减（求年龄）

csv_df['age'] = np.floor((pd.to_datetime('2018-7-1')-pd.to_datetime(csv_df.birthday))/timedelta(days=365))

• 功能3：日期比较判断

from datetime import datetime
start_time =datetime(2019,1,1)
end_time=datetime(2019,12,31,23,59,59)

order_df = order_df[(order_df.payTime>=start_time) & (order_df.payTime<=end_time)]
order_df.shape

• 功能4：获取日期中的月份、星期

order_df['month']=order_df.orderTime.dt.month
order_df['weekday'] = order_df.orderTime.dt.weekday

• 功能6：日期的近似取值

# floor（'30T'）表示向下取时间，已30分钟为界限，30分钟以内为0分钟，30分钟以上为30分钟
order_df['time'] = order_df.orderTime.dt.floor('30T')
#取出时间time,去掉年月日
order_df['time'] = order_df.time.dt.time

• 功能7：只显示月和日

for i in range(len(df2)):
    df2.iloc[i,0] = pd.to_datetime(df2.iloc[i,0]).strftime("%m-%d")  
df2.head()

4、Excel对日期的处理

• 功能1：日期之间求差
  
• 功能2：其他日期函数
  

5、PowerBi对日期的处理

功能1：时间间隔
时间间隔小时：

时间间隔 = DATEDIFF([订单创建时间],[订单付款时间 ],HOUR)

时间间隔分钟：

时间间隔分钟 = DATEDIFF([订单创建时间],[订单付款时间 ],MINUTE)

最后

以上就是懦弱枫叶为你收集整理的python、pandas、Excel、Powerbi中对日期的处理方法的全部内容，希望文章能够帮你解决python、pandas、Excel、Powerbi中对日期的处理方法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。