Python pandas dt属性高级用法：日期提取、筛选与时间序列处理

pandas访问器概述

Series对象与DataFrame列数据均提供了cat、dt、str三种访问器（accessors），分别用于处理分类数据、日期时间数据和字符串数据。利用这些接口，开发者可以快速实现特定类型的数据转换与功能，显著提升处理效率。

本文基于pandas官方文档，梳理并总结了几个在实际开发中高频使用的API接口。

dt属性：日期提取与时间组件

首先介绍dt.date与dt.normalize()方法，两者均用于提取日期的日期部分（即仅保留年月日，去除时间信息）。主要区别在于返回的数据类型：dt.date返回的Series类型为object，而dt.normalize()返回的Series类型保持为datetime64，后者在后续时间运算中更具优势。

为便于演示，此处先构建一个基础的DataFrame示例数据。

其次，dt.year、dt.month、dt.day、dt.hour、dt.minute、dt.second以及dt.week（与dt.weekofyear等效）等属性，分别用于提取日期对应的年、月、日、小时、分钟、秒以及该日期在一年中所属的第几周。

dt属性：星期、季度与闰年判断

dt.weekday（等同于dt.dayofweek）用于返回星期几的整数表示，其中0代表星期一，6代表星期天。若需获取英文星期名称，可使用dt.weekday_name属性。

dt.dayofyear用于返回该日期在一年中的第几天，而dt.quarter则用于判断每个日期所属的季度编号。

dt.is_month_start与dt.is_month_end用于判断日期是否为当月第一天或最后一天。类似地，将month替换为year或quarter，即可判断日期是否为当年或当季的第一天或最后一天。

dt.is_leap_year属性用于检测日期所在的年份是否为闰年。

dt.month_name()方法用于返回月份对应的英文全称。

str与dt属性实战：字符串匹配与时间筛选

补充说明：pandas在处理字符串与时间序列数据时，分别依赖str与dt属性接口，二者各有侧重。

一、str属性详解

pandas中的Series对象具备str属性，通过该属性可调用一系列通用的字符串处理函数。

例如，执行df['road'].str.contains('康庄大道')，将返回包含子字符串'康庄大道'的行数据。

二、dt属性详解

针对时间序列数据的处理，pandas推荐使用dt属性。

例如，可以通过df['datetime'].dt.time > time(10,0)来比较时间部分。

当需要对两个Series进行逻辑与（and）比较时，应使用&运算符。

具体示例为：(df['datetime'].dt.time > time(10,0)) & (df['datetime'].dt.time < time(12,0))。

上述表达式将筛选出时间戳在10点到12点之间的所有数据记录。

apply函数处理时间序列

三、apply函数应用示例

若需更灵活地处理时间数据，可使用apply函数。例如：df['time'] = df['datetime'].apply(lambda x: x.time())，可将datetime列转换为纯时间对象并存储在新列中。

以上为个人经验总结，旨在为读者提供参考。如有疏漏或未尽之处，欢迎批评指正。