環境：numpy,pandas,python3

在機器學習和深度學習的過程中，對於處理預測，迴歸問題，有時候變數是時間，需要進行合適的轉換處理後才能進行學習分析，關於時間的變數如下所示，利用pandas和numpy對csv檔案中時間進行處理。
date (UTC) Price
01/01/2015 0:00 48.1
01/01/2015 1:00 47.33
01/01/2015 2:00 42.27

#coding:utf-8
import datetime
import pandas as pd
import numpy as np
import
 
 pickle

#用pandas將時間轉為標準格式
dateparse = lambda dates: pd.datetime.strptime(dates,'%d/%m/%Y %H:%M')
#將時間欄合併,並轉為標準時間格式
rawdata = pd.read_csv('RealMarketPriceDataPT.csv',parse_dates={'timeline':['date','(UTC)']},date_parser=dateparse)

#定義一個將時間轉為數字的函式,s為字串
def datestr2num(s):
    #toordinal()將時間格式字串轉為數字
    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])

結果

將csv檔案中的時間欄合併為一列，並轉為方便資料分析的float或int型別