Pandy: Korzystanie Unix epoki timestamp jako indeks Datetime

Question

Moja aplikacja wymaga do czynienia z danymi (zawarty w pliku CSV), który ma następującą postać:

Epoch (number of seconds since Jan 1, 1970), Value 
1368431149,20.3 
1368431150,21.4 
.. 

Obecnie czytam CSV przy użyciu numpy metodę loadtxt (można łatwo użyj read_csv z Pandas). Obecnie dla mojej serii jestem konwersji pola znaczników czasu w następujący sposób:

timestamp_date=[datetime.datetime.fromtimestamp(timestamp_column[i]) for i in range(len(timestamp_column))] 

śledzę to poprzez ustawienie timestamp_date jako indeks Datetime dla mojego DataFrame. Próbowałem wyszukiwać w kilku miejscach, aby sprawdzić, czy istnieje szybszy (wbudowany) sposób korzystania z tych znaczników czasu epoki Uniksa, ale nie można go znaleźć. Wiele aplikacji korzysta z takiej terminologii.

1. Czy istnieje wbudowana metoda obsługi takich formatów sygnatur czasowych?
2. Jeśli nie, jaki jest zalecany sposób obsługi tych formatów?

Answer 1

konwertować je do datetime64[s]:

np.array([1368431149, 1368431150]).astype('datetime64[s]') 
# array([2013-05-13 07:45:49, 2013-05-13 07:45:50], dtype=datetime64[s]) 

Answer 2

Można również użyć pandy to_datetime:

df['datetime'] = pd.to_datetime(df["timestamp"], unit='s') 

Ta metoda wymaga Pandy 0.18 lub nowszej.

Answer 3

Można również użyć pandy DatetimeIndex jak tak

pd.DatetimeIndex(df['timestamp']*10**9) 

*10**9 stawia go na format to spodziewa takich znaczników czasu.

To jest miłe, ponieważ pozwala korzystać z funkcji takich jak .date() lub .tz_localize() w serii.