pandas实现datetime64与Unix时间戳互转

山间有风

发布时间：2026-10-12 | 2人浏览过

原创

在处理结构化数据时，常需将pandas的datetime64格式或Timestamp对象与Unix时间戳互换。本文演示如何通过pd.to_datetime与整型转换完成单条及整列数据的秒级互转，包含UTC时区处理、纳秒剥离及年月日时分秒的独立提取，附带标准库辅助方案。

操作目标与前提条件

本流程旨在解决数据分析或爬虫日志清洗中常见的格式不匹配问题。Pandas 默认将时间序列底层存储为 datetime64 类型，其精度单位为纳秒，而 Unix 时间戳通常要求精确到秒的整型数值。执行前请确保环境已安装 pandas，并准备好需要转换的源数据（如 CSV 文件或独立时间字符串）。

第1步：Unix 时间戳转为 Pandas 格式

目标是将整型 Unix 时间戳还原为带时区的可读时间。由于多数系统日志以 UTC 时间记录，直接转换会导致北京标准时间出现 8 小时偏差，需同步进行时区对齐。

import pandas as pd

def unix_to_timestamp(unixtime):
    # unit='s' 指定输入为秒级，utc=True 初始化为UTC时间
    # tz_convert 转换为东八区（北京时间）
    return pd.to_datetime(unixtime, unit='s', utc=True).tz_convert('Asia/Shanghai')

# 测试转换
original_ts = 1514737265
converted_dt = unix_to_timestamp(original_ts)
print(converted_dt)

第2步：Pandas Timestamp 转回 Unix 时间戳

目标是将已处理的时间对象恢复为标准的秒级整型。通过修改数据精度类型至 datetime64[s] 即可丢弃纳秒碎片，随后转为整型即可完成逆向转换。

def timestamp_to_unix(dt64):
    # 截断至秒级精度，再转为整型数值
    return int(dt64.astype('datetime64[s]').astype(int))

print(timestamp_to_unix(converted_dt))

第3步：处理 CSV 导入的整列时间数据

目标是在批量场景下高效清洗时间列。读取 CSV 后时间字段默认为字符串，需先统一格式化，再提取底层数值阵列供后续算法使用。

import pandas as pd

# 1. 读取数据并将目标列转换为时间格式
# 假设 CSV 中存在名为 'create_time' 的字符串列
df = pd.read_csv('airquality.csv')
df['create_time'] = pd.to_datetime(df['create_time'])

# 2. 批量转换为秒级 Unix 时间戳
# 利用整除运算快速剥离纳秒级低位数据，返回新列
unix_col = df['create_time'].astype('int64') // 10**9
df['unix_second'] = unix_col

print(list(unix_col[:3]))

第4步：拆分并提取时间分量

目标是从完整时间戳中独立出年月日时分秒等维度。Pandas 提供了向量化属性，可直接作用于 Series 或单个 Timestamp 对象。

# 针对单条数据
print(f"年: {converted_dt.year}, 月: {converted_dt.month}")
print(f"日: {converted_dt.day}, 时: {converted_dt.hour}")
print(f"分: {converted_dt.minute}, 秒: {converted_dt.second}")

# 若需脱离 pandas 进行初步解析（适用于预处理或轻量脚本）
from datetime import datetime
timestr = '2018-01-01 00:21:05'
parsed_obj = datetime.strptime(timestr, '%Y-%m-%d %H:%M:%S')
print(type(parsed_obj))

完成状态验证与常见排错

转换完成后，可通过以下现象确认操作成功：

正向转换输出显示 +08:00 时区标识，且年月日与预期日历一致。
逆向转换返回纯数字字符串，无小数点或科学计数法残留。
CSV 整列转换后，新增的时间戳列类型显示为 int64 而非对象（Object）。

若运行时报 TypeError 或 ValueError，通常为输入列未正确声明为字符串或时间格式。请使用 df['col'].dtype 检查当前类型，并通过 pd.to_numeric() 或 pd.to_datetime() 提前清洗脏数据。遇到 AttributeError 导致无法调用 .value 时，请直接替换为上述代码中的 .astype('int64') 或 .dt.timestamp() 方法。

简要总结

掌握 pd.to_datetime(unit='s') 与 .astype('int64') // 10**9 的组合即可覆盖绝大多数 datetime64 与 unix 时间戳互转场景。结合标准库的 strptime 与 strftime，可灵活应对跨模块的数据交换需求，提升数据管道的时间处理稳定性。以上就是 pandas 实现 datetime64 与 unix 时间戳互转的详细内容，更多关于 pandas 时间序列处理的数据清洗技巧请关注本站其它相关文章！