在机器学习和深度学习的过程中，对于处理预测，回归问题，有时候变量是时间，需要进行合适的转换处理后才能进行学习分析，关于时间的变量如下所示，利用pandas和numpy对csv文件中时间进行处理。
|
1
2
3
4
|
date (UTC) Price 01/01/2015 0:00 48.1 01/01/2015 1:00 47.33 01/01/2015 2:00 42.27 |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
#coding:utf-8import datetimeimport pandas as pdimport numpy as npimport pickle#用pandas将时间转为标准格式dateparse = lambda dates: pd.datetime.strptime(dates,'%d/%m/%Y %H:%M')#将时间栏合并,并转为标准时间格式rawdata = pd.read_csv('RealMarketPriceDataPT.csv',parse_dates={'timeline':['date','(UTC)']},date_parser=dateparse)#定义一个将时间转为数字的函数,s为字符串def datestr2num(s): #toordinal()将时间格式字符串转为数字 return datetime.datetime.strptime(s,'%Y-%m-%d %H:%M:%S').toordinal()x = []y = []new_date = []for i in range(rawdata.shape[0]): x_convert = int(datestr2num(str(rawdata.ix[i,0]))) new_date.append(x_convert) y_convert = rawdata.ix[i,1].astype(np.float32) x.append(x_convert) y.append(y_convert)x = np.array(x).astype(np.float32)"""with open('price.pickle','wb') as f: pickle.dump((x,y),f)"""print(datetime.datetime.fromordinal(new_date[0]),'------>>>>>>',new_date[0])print(datetime.datetime.fromordinal(new_date[10]),'------>>>>>>',new_date[10])print(datetime.datetime.fromordinal(new_date[20]),'------>>>>>>',new_date[20])print(datetime.datetime.fromordinal(new_date[30]),'------>>>>>>',new_date[30])print(datetime.datetime.fromordinal(new_date[40]),'------>>>>>>',new_date[40])print(datetime.datetime.fromordinal(new_date[50]),'------>>>>>>',new_date[50]) |
结果
将csv文件中的时间栏合并为一列，并转为方便数据分析的float或int类型
以上这篇利用numpy和pandas处理csv文件中的时间方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/szj_huhu/article/details/76218204
