上一篇文章中，我们理清楚了python的time库以及datetime库中各种时间对象的处理方法，以及相互之间的转化方法。

我们发现，time库以及datetime库中，确实存在名字相同，但是调用方法与所属类完全不一样的情况，这也是造成使用过程中各种混淆的原因。

今天我们把Pandas库中处理时间的各种函数与方法也加进来讨论，当然，由于Pandas中处理时间的方法和类太多太强大，我们仅仅是对其中探讨Pandas其中部分，特别是其中与time库、datetime库有关联且又容易混淆的相关知识。

(一) 此Timestamp非彼Timestamp

相信在读过前面一篇文章的同学，对time库中的unix时间戳还有印象，但是Pandas中的Timestamp对象和unix时间戳格式完全不同。

Pandas中的Timestamp对象可以说是Pandas中时间序列对象的“细胞”，如果我们有datetime64[ns]型Series对象如下：

你会发现当你提取Series第一个元素出来，返回来的就是一个Timestamp对象。当然，我们也可以自己创建一个Timestamp对象：

从上面的代码你会发现，你可以将unix时间戳、字符串型日期、datetime库中datetime.datetime通过pd.Timestamp()方法直接转化为Timestamp对象。

反过来呢？如果想将把Timestamp对象转化为unix时间戳，可以使用pd.Timestamp.timestamp()方法：

(二) 生成时间序列

Pandas作为处理多维数组的“神器”，本篇文章讲的当然是处理时间序列的方法。其中，Pandas中生成时间序列的方法不少，最常用的方法是pd.date_range()，我们看一下其使用方法：

l pd.date_range(start, end, freq) 生成一个时间段

n start:开始时间，参数可以是datetime库中的datetime对象，也可以是字符串。

n end:结束时间，参数可以是datetime库中的datetime对象，也可以是字符串。

n freq:时间频率，'Y'表示年，'M’表示月，'D’表示天，'H’表示小时，'Min’表示分钟

注意，这里开始时间和结束时间的参数指向的对象，是可以是datetime.datetime对象：

当然，这里的开始时间除了可以使用datetime.datetime实例以外（这里注意，是使用的datetime库中的类，而不是Pandas库），也可以用字符串来表示。

以start_time为2019年7月17日为例，start_time也可以是字符串'20190717'、'2019-07-17'、'2019/07/17'...

从上面可以看到，pd.date_range()方法生成的是长度为200、数据类型为datetime的DatetimeIndex对象，时间频率是天。

也就是说，2019年7月17日到2020年2月1日，算上始末的日期，一共200天。这是因为默认的频率是每天，freq='D'。 也可以通过改变时间频率，详情参考上面的使用方法添加修改freq参数即可。

如果我们想要2019年7月17日为起始，按照每天的时间频率，生成长度为200的DataIndex对象，可以这样写：

相应地，如果想要以2020年2月1日为结束日，按照每天的时间频率，生成长度为200的DataIndex对象，可以这样写：

(三) .to_datetime()方法

当然，上面的方法生成的是DatetimeIindex对象，可以通过pd.Series()方法转化为Series对象：

但是对于不规范的日期字符串Series，需要使用pd.to_datetime()方法来对其进行转换，比如：

(四) DateOffset类

datetime库中有timedelta类作为日期的增减，Pandas中也有专门的DateOffset类作为时间间隔对象，可以直接作用在上面的datetime型Series对象中。

其使用方法和datetime.timedelta类相似，但是要注意的是里面的参数名最后都加了's'。

datetime型Series对象可以直接使用DataOfffset对象进行日期加减：

也可以作用在DatetimeIndex对象中：

(五) 时间序列日期格式化

要对datetime型的Series对象进行日期格式转换，可以通过Series实例的方法.dt.strftime()，其格式化字符串依然可以参照datetime库中的格式化字符串对照表：

要对datetime型的Series对象进行日期格式转换，可以通过Series实例的方法.dt.strftime()，其格式化字符串依然可以参照文章开头的datetime库中的格式化字符串对照表：

但是如果留心的话可以发现，转化之后的数据类型，已经从datetime型变成object类，也就是字符串。

如果把字符串时间date_03重新转化为datetime型Series，用上面提到的pd.to_datetime()方法即可：

(六) 结后语

time库和datetime库以及Pandas中各种对象处理时间的方法，虽然错综复杂又相互关联，但是其实在使用方面有所侧重和不同。

time库以及datetime库的对象，一般用在程序设计的中涉及到时间的问题，比如爬虫的时候在获得的不规则时间时碰到的格式转换问题，会使用很多。

Pandas中各种与时间相关的类非常多，方法非常丰富，涉及到时间处理的各个方面，主要用作序列数据的处理方面，这和time库与datetime库对单独某些日期数据处理不同。

就数据分析工作而言，对时间序列数据处理的时候Pandas用得非常多，以至于很多人几乎都忘记time库与datetime库的存在。总体而言，对于数据分析初学者而言，可以把Pandas作为重点学习方面，但是time库和datetime库作为Python标准库，其时间类的基本使用方法的学习是必不可少的。