### 处理包含月、日期和时间的表格数据 在 Jupyter Notebook 中使用 Python 对包含月、日期和时间的数据进行处理是一项常见任务，通常涉及将字符串形式的时间转换为 `datetime` 类型以便进一步分析。以下是详细的解决方案： #### 1. 导入库 为了处理日期时间数据，可以导入必要的库，如 `pandas` 和 `numpy`。这些库提供了丰富的函数支持复杂的数据操作。 ```python import pandas as pd import numpy as np from datetime import datetime ``` #### 2. 创建示例数据 假设有一份 CSV 文件或 DataFrame 表格，其中包含日期时间和数值列。下面展示如何创建一个简单的 DataFrame 示例[^3]。 ```python data = { 'date_time': ['2023-01-15 12:30:00', '2023-02-20 15:45:00', '2023-03-10 09:20:00'], 'value': [10, 20, 30] } df = pd.DataFrame(data) print(df) ``` 输出结果可能类似于以下内容： ``` date_time value 0 2023-01-15 12:30:00 10 1 2023-02-20 15:45:00 20 2 2023-03-10 09:20:00 30 ``` #### 3. 转换为 `datetime` 格式 默认情况下，日期时间字段通常是字符串类型。需要将其转换为 `datetime` 格式以执行后续的操作，例如筛选、分组或绘图。 ```python df['date_time'] = pd.to_datetime(df['date_time']) print(df.dtypes) ``` 此时，`date_time` 列会被识别为 `datetime64[ns]` 类型[^2]。 #### 4. 提取特定部分 通过访问 `.dt` 属性，可以从 `datetime` 字段中提取年、月、日、小时等信息。 ```python df['year'] = df['date_time'].dt.year df['month'] = df['date_time'].dt.month df['day'] = df['date_time'].dt.day df['hour'] = df['date_time'].dt.hour print(df[['date_time', 'year', 'month', 'day', 'hour']]) ``` 输出结果可能如下所示： ``` date_time year month day hour 0 2023-01-15 12:30:00 2023 1 15 12 1 2023-02-20 15:45:00 2023 2 20 15 2 2023-03-10 09:20:00 2023 3 10 9 ``` #### 5. 时间范围过滤 可以根据条件筛选出某个时间段内的记录。 ```python start_date = '2023-02-01' end_date = '2023-03-01' filtered_df = df[(df['date_time'] >= start_date) & (df['date_time'] < end_date)] print(filtered_df) ``` 这段代码会返回满足条件的结果集[^1]。 --- ### 结论 以上展示了如何利用 Pandas 库在 Jupyter Notebook 环境下完成对含日期时间数据的清洗与初步探索工作流。这种方法广泛应用于金融交易记录审查、气象观测数据分析等多个场景之中。