Преобразовать pandas DateTimeIndex в Unix Time?

Ответ 1

Поскольку DatetimeIndex ndarray под капотом, вы можете сделать преобразование без понимания (намного быстрее).

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: from datetime import datetime

In [4]: dates = [datetime(2012, 5, 1), datetime(2012, 5, 2), datetime(2012, 5, 3)]
   ...: index = pd.DatetimeIndex(dates)
   ...: 
In [5]: index.astype(np.int64)
Out[5]: array([1335830400000000000, 1335916800000000000, 1336003200000000000], 
        dtype=int64)

In [6]: index.astype(np.int64) // 10**9
Out[6]: array([1335830400, 1335916800, 1336003200], dtype=int64)

%timeit [t.value // 10 ** 9 for t in index]
10000 loops, best of 3: 119 us per loop

%timeit index.astype(np.int64) // 10**9
100000 loops, best of 3: 18.4 us per loop

Ответ 2

Примечание. Временная метка - это просто unix-время с наносекундами (поэтому разделите его на 10 ** 9):

[t.value // 10 ** 9 for t in tsframe.index]

Например:

In [1]: t = pd.Timestamp('2000-02-11 00:00:00')

In [2]: t
Out[2]: <Timestamp: 2000-02-11 00:00:00>

In [3]: t.value
Out[3]: 950227200000000000L

In [4]: time.mktime(t.timetuple())
Out[4]: 950227200.0

Поскольку @root указывает, что быстрее извлечь массив значений напрямую:

tsframe.index.astype(np.int64) // 10 ** 9

Ответ 3

Краткое изложение других ответов:

df['<time_col>'].astype(np.int64) // 10**9

Если вы хотите сохранить миллисекунды, вместо этого делите на 10**6

Ответ 4

В дополнение к другим ответам: //10**9 выполнит деление на пол, которое дает полные прошедшие секунды, а не ближайшее значение в секундах. Простой способ получить более разумное округление, если это желательно, состоит в том, чтобы добавить 5*10**8 - 1 перед выполнением деления на пол.

Ответ 5

Чтобы рассмотреть случай NaT, который приведенные выше решения преобразуют в большие отрицательные целые числа, в pandas> = 0,24 возможное решение будет следующим:

def datetime_to_epoch(ser):
    """Don't convert NaT to large negative values."""
    if ser.hasnans:
        res = ser.dropna().astype('int64').astype('Int64').reindex(index=ser.index)
    else:
        res = ser.astype('int64')

    return res // 10**9

В случае пропущенных значений возвращается тип int типа null 'Int64' (ExtensionType pd.Int64Dtype):

In [5]: dt = pd.to_datetime(pd.Series(["2019-08-21", "2018-07-28", np.nan]))                                                                                                                                                                                                    
In [6]: datetime_to_epoch(dt)                                                                                                                                                                                                                                                   
Out[6]: 
0    1566345600
1    1532736000
2           NaN
dtype: Int64

В противном случае обычный int64:

In [7]: datetime_to_epoch(dt[:2])                                                                                                                                                                                                                                               
Out[7]: 
0    1566345600
1    1532736000
dtype: int64

Ответ 6

Если вы попытались это сделать в столбце datetime вашего фрейма данных:

dframe['datetime'].astype(np.int64) // 10**9

& амп; что вы боретесь со следующей ошибкой: TypeError: int() argument must be a string, a bytes-like object or a number, not 'Timestamp' вы можете просто использовать эти две строки:

dframe.index = pd.DatetimeIndex(dframe['datetime'])
dframe['datetime']= dframe.index.astype(np.int64)// 10**9