前兩篇內容講了兩個單獨的python庫函式，今天帶大家認識一個常用的工具，pandas.to_datetime()，它是pandas庫的一個方法，pandas庫想必大家非常熟悉了，這裡不再多說。這個方法的實用性在於，當需要批量處理時間資料時，無疑是最好用的。

首先看一下它的主要幾個引數，官方文件在本文最後給出

pandas.to_datetime（arg，errors ='raise'，utc = None，format = None，unit = None ）

引數	意義
errors	三種取值，‘ignore’, ‘raise’, ‘coerce’，預設為raise。 'raise'，則無效的解析將引發異常 'coerce'，那麼無效解析將被設定為NaT 'ignore'，那麼無效的解析將返回輸入值
utc	布林值，預設為none。返回utc即協調世界時。
format	格式化顯示時間的格式。
unit	預設值為‘ns’，則將會精確到微妙，‘s'為秒。

官方文件中有幾個簡單的例子，這裡稍微提一下：

1、
df = pd.DataFrame({'year': [2015, 2016],
                       'month': [2, 3],
                       'day': [4, 5]})
pd.to_datetime(df)
#0   2015-02-04
#1   2016-03-05
#dtype: datetime64[ns]
#可以看到將字典形式時間轉換為可讀時間

2、
pd.to_datetime('13000101', format='%Y%m%d', errors='ignore')
#datetime.datetime(1300, 1, 1, 0, 0)

pd.to_datetime('13000101', format='%Y%m%d', errors='coerce')
#NaT
#如果日期不符合時間戳限制，則errors ='ignore'將返回原始輸入，而不會報錯。
#errors='coerce'將強制超出NaT的日期，返回NaT。
 

然而實際中遇到的可能是這樣的資料：

通過pandas.read_csv()或者pandas.read_excel()讀取檔案過後，得到的資料列對應的型別是“object”，這樣沒法對時間資料處理，可以用過pd.to_datetime將該列資料轉換為時間型別，即datetime。

data.dtypes
# object

data= pd.to_datetime(data)
data.dtypes
# datetime64[ns]

轉換過後就可以對這些時間資料操作了，可以相減求時間差，計算相差的秒數和天數，呼叫的方法和datetime庫的方法一致，分別是 data.dt.days() 、data.dt.seconds() 、data.dt.total_seconds()。

 到這裡就結束了嗎？ 不不，還沒有。這裡再教大家通過pandas將時間與時間戳相互轉換，原理是一樣的通過datetime、time庫，技巧是用apply()函式來實現它。

將data的所有時間轉換為時間戳（此時資料型別已經是datetime，是object的報錯不要找我。。）

data = data.apply(lambda x:time.mktime(x.timetuple()))
#x.timetuple()將時間轉換為時間元組，提前匯入time模組

將data的所有時間戳轉換為可讀時間：

data = data.apply(lambda x:time.strftime('%Y/%m/%d %H:%M:%S',time.localtime(x)))
#程式碼含義為：先讀取時間戳資料，將其轉換為時間元組，在通過格式化時間轉換為可讀的時間格式

結束了結束了。。

最後奉上官方文件：pandas.to_datetime