我有一个 Pandas 系列,可以像下面这样构造:
given_time = datetime(2013, 10, 8, 0, 0, 33, 945109,
tzinfo=psycopg2.tz.FixedOffsetTimezone(offset=60, name=None))
given_times = np.array([given_time] * 3, dtype='datetime64[ns]'))
column = pd.Series(given_times)
我系列的dtype是datetime64[ns]
但是,当我访问它时:column[1],不知何故它变成了 pandas.tslib.Timestamp 类型,而 column.values[1] 保持 np.datetime64。访问项目时,Pandas 会自动将我的 datetime 转换为 Timestamp 吗?慢吗?
我需要担心类型的差异吗?据我所知,Timestamp 似乎没有时区 (numpy.datetime64('2013-10-08T00:00:33.945109000+0100') -> Timestamp('2013-10-07 23:00:33.945109', tz=无))
在实践中,我会做 datetime 运算,比如取差,与 datetimedelta 进行比较。我的运算符周围可能存在的类型不一致是否会影响我的用例?
此外,是否鼓励我在转换日期时间对象时使用 pd.to_datetime 而不是 astype(dtype='datetime64')?
请您参考如下方法:
Pandas 时间类型建立在 numpy 的 datetime64 之上。
为了继续使用 pandas 运算符,您应该继续使用 pd.to_datetime,而不是 astype(dtype='datetime64')。这一点尤其正确,因为您将采用日期时间增量,pandas 处理得很好,例如重采样和周期定义。
http://pandas.pydata.org/pandas-docs/stable/timeseries.html#up-and-downsampling http://pandas.pydata.org/pandas-docs/stable/timeseries.html#period
虽然我没有测量,但由于 pandas 时间隐藏了 numpy 时间,我怀疑转换速度非常快。或者,您可以只使用内置时间序列定义的 pandas 并完全避免转换。
不过,根据经验,最好使用您将要使用的函数所在包中的类型。因此,如果您真的只打算使用 numpy 来操作数组,那么请坚持使用 numpy 日期时间。 Pandas 方法 => pandas 日期时间。
