Pandas DateTime 超强总结

对于 Pandas 来说，可以处理众多的数据类型，其中最有趣和最重要的数据类型之一就是时间序列数据。时间序列数据无处不在，它在各个行业都有很多应用。患者健康指标、股票价格变化、天气记录、经济指标、服务器、网络、传感器和应用程序性能监控都是时间序列数据的应用方向我们可以将时间序列数据定义为在不同时间间隔获得并按时间顺序排列的数据点的集合 Pandas 基本上是为分析金融时间序列数据而开发的，并为处理时间、日期和时间序列数据提供了一整套全面的框架今天我们来讨论在 Pandas 中处理日期和时间的多个方面，具体包含如下内容： - Timestamp 和 Period 对象的功能 - 如何使用时间序列 DataFrames - 如何对时间序列进行切片 - DateTimeIndex 对象及其方法 - 如何重新采样时间序列数据 #### 探索 Pandas 时间戳和周期对象 Pandas 库提供了一个名为 Timestamp 的具有纳秒精度的 DateTime 对象来处理日期和时间值。Timestamp 对象派生自 NumPy 的 datetime64 数据类型，使其比 Python 的 DateTime 对象更准确而且更快。下面让我们使用 Timestamp 构造函数创建一些 Timestamp 对象。 ```Python import pandas as pd import numpy as np from IPython.display import display print(pd.Timestamp(year=1982, month=9, day=4, hour=1, minute=35, second=10)) print(pd.Timestamp('1982-09-04 1:35.18')) print(pd.Timestamp('Sep 04, 1982 1:35.18')) ``` Output: ```Text 1982-09-04 01:35:10 1982-09-04 01:35:10 1982-09-04 01:35:10 ``` 如果将单个整数或浮点值传递给 Timestamp 构造函数，它会返回一个时间戳，该时间戳等于 Unix 纪元（1970 年 1 月 1 日）之后的纳秒数： ```Python print(pd.Timestamp(5000)) ``` Output: ```Text 1970-01-01 00:00:00.000005 ``` Timestamp 对象包含许多方法和属性，可帮助我们访问时间戳的不同功能。让我们尝试一下： ```Python time_stamp = pd.Timestamp('2022-02-09') print('{}, {} {}, {}'.format(time_stamp.day_name(), time_stamp.month_name(), time_stamp.day, time_stamp.year)) ``` Output: ```Text Wednesday, February 9, 2022 ``` Timestamp 类的一个实例代表一个时间点，而 Period 对象的一个实例代表一个时期，例如一年、一个月等例如，公司在一年的时间里监控他们的收入。Pandas 库提供了一个名为 Period 的对象来处理，如下所示： ```Python year = pd.Period('2021') display(year) ``` Output: ```Text Period('2021', 'A-DEC') ``` 我们可以看到它创建了一个代表 2021 年期间的 Period 对象，而“A-DEC”表示该期间是年度的，在 12 月结束 Period 对象提供了许多有用的方法和属性。例如，如果要返回期间的开始和结束时间，可以使用以下属性： ```Python print('Start Time:', year.start_time) print('End Time:', year.end_time) ``` Output: ```Text Start Time: 2021-01-01 00:00:00 End Time: 2021-12-31 23:59:59.999999999 ``` 要创建每月期间，可以将特定月份传递给它，如下所示 ```Python month = pd.Period('2022-01') display(month) print('Start Time:', month.start_time) print('End Time:', month.end_time) ``` Output: ```Text Period('2022-01', 'M') Start Time: 2022-01-01 00:00:00 End Time: 2022-01-31 23:59:59.999999999 ``` “M”表示周期的频率是每月一次。还可以使用 freq 参数显式指定周期的频率。下面的代码创建了一个代表 2022 年 1 月 1 日期间的期间对象： ```Python day = pd.Period('2022-01', freq='D') display(day) print('Start Time:', day.start_time) print('End Time:', day.end_time) ``` Output: ```Text Period('2022-01-01', 'D') Start Time: 2022-01-01 00:00:00 End Time: 2022-01-01 23:59:59.999999999 ``` 我们还可以对周期对象执行算术运算。让我们创建一个每小时频率的新 period 对象，看看我们如何进行计算： ```Python hour = pd.Period('2022-02-09 16:00:00', freq='H') display(hour) display(hour + 2) display(hour - 2) ``` Output: ```Text Period('2022-02-09 16:00', 'H') Period('2022-02-09 18:00', 'H') Period('2022-02-09 14:00', 'H') ``` 我们可以使用 Pandas 日期偏移量获得相同的结果： ```Python display(hour + pd.offsets.Hour(+2)) display(hour + pd.offsets.Hour(-2)) ``` Output: ```Text Period('2022-02-09 18:00', 'H') Period('2022-02-09 14:00', 'H') ``` 要创建日期序列，可以使用 pandas range_dates() 方法。让我们在代码片段中尝试一下： ```Python week = pd.date_range('2022-2-7', periods=7) for day in week: print('{}-{}\t{}'.format(day.day_of_week, day.day_name(), day.date())) ``` Output: ```Text 0-Monday 2022-02-07 1-Tuesday 2022-02-08 2-Wednesday 2022-02-09 3-Thursday 2022-02-10 4-Friday 2022-02-11 5-Saturday 2022-02-12 6-Sunday 2022-02-13 ``` week 的数据类型是 DatetimeIndex 对象，一周中的每个日期都是 Timestamp 的一个实例。所以我们可以使用所有适用于 Timestamp 对象的方法和属性 #### 创建时间序列数据框首先，让我们通过从 CSV 文件中读取数据来创建一个 DataFrame，该文件包含与连续 34 天每小时记录的 50 台服务器相关的关键信息： ```Python df = pd.read_csv('https://raw.githubusercontent.com/m-mehdi/pandas_tutorials/main/server_util.csv') display(df.head()) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 0 2019-03-06 00:00:00 100 0.40 0.54 52 1 2019-03-06 01:00:00 100 0.49 0.51 58 2 2019-03-06 02:00:00 100 0.49 0.54 53 3 2019-03-06 03:00:00 100 0.44 0.56 49 4 2019-03-06 04:00:00 100 0.42 0.52 54 ``` 让我们看一下 DataFrame 的内容。每个 DataFrame 行代表服务器的基本性能指标，包括特定时间戳的 CPU 利用率、可用内存和会话计数。DataFrame 分解为一小时的片段。例如，从午夜到凌晨 4 点记录的性能指标位于 DataFrame 的前五行现在，让我们详细了解一下 DataFrame 的特性，例如它的大小和每列的数据类型： ```Python print(df.info()) ``` Output: ```Text RangeIndex: 40800 entries, 0 to 40799 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 datetime 40800 non-null object 1 server_id 40800 non-null int64 2 cpu_utilization 40800 non-null float64 3 free_memory 40800 non-null float64 4 session_count 40800 non-null int64 dtypes: float64(2), int64(2), object(1) memory usage: 1.6+ MB None ``` 运行上面的语句会返回行数和列数、总内存使用量、每列的数据类型等根据上面的信息，datetime 列的数据类型是对象，这意味着时间戳存储为字符串值。要将 datetime 列的数据类型从 string 对象转换为 datetime64 对象，我们可以使用 pandas 的 to_datetime() 方法，如下： ```Python df['datetime'] = pd.to_datetime(df['datetime']) ``` 当我们通过导入 CSV 文件创建 DataFrame 时，日期/时间值被视为字符串对象，而不是 DateTime 对象。pandas to_datetime() 方法将存储在 DataFrame 列中的日期/时间值转换为 DateTime 对象。将日期/时间值作为 DateTime 对象使操作它们变得更加容易。运行以下语句并查看更改： ```Python print(df.info()) ``` Output: ```Text RangeIndex: 40800 entries, 0 to 40799 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 datetime 40800 non-null datetime64[ns] 1 server_id 40800 non-null int64 2 cpu_utilization 40800 non-null float64 3 free_memory 40800 non-null float64 4 session_count 40800 non-null int64 dtypes: datetime64[ns](1), float64(2), int64(2) memory usage: 1.6 MB None ``` 现在 datetime 列的数据类型是 datetime64[ns] 对象。 [ns] 表示基于纳秒的时间格式，它指定 DateTime 对象的精度此外，我们可以让 pandas 的 read_csv() 方法将某些列解析为 DataTime 对象，这比使用 to_datetime() 方法更直接。让我们尝试一下： ```Python df = pd.read_csv('https://raw.githubusercontent.com/m-mehdi/pandas_tutorials/main/server_util.csv', parse_dates=['datetime']) print(df.head()) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 0 2019-03-06 00:00:00 100 0.40 0.54 52 1 2019-03-06 01:00:00 100 0.49 0.51 58 2 2019-03-06 02:00:00 100 0.49 0.54 53 3 2019-03-06 03:00:00 100 0.44 0.56 49 4 2019-03-06 04:00:00 100 0.42 0.52 54 ``` 运行上面的代码会创建一个 DataFrame，其中 datetime 列的数据类型是 DateTime 对象下面让我们对 datetime 列应用一些基本方法首先，让我们看看如何在 DataFrame 中返回最早和最晚的日期。为此，我们可以简单地在 datetime 列上应用 max() 和 min() 方法，如下所示： ```Python display(df.datetime.min()) display(df.datetime.max()) ``` Output: ```Text Timestamp('2019-03-06 00:00:00') Timestamp('2019-04-08 23:00:00') ``` 要选择两个特定日期之间的 DataFrame 行，我们可以创建一个布尔掩码并使用 .loc 方法过滤特定日期范围内的行： ```Python mask = (df.datetime >= pd.Timestamp('2019-03-06')) & (df.datetime < pd.Timestamp('2019-03-07')) display(df.loc[mask]) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 0 2019-03-06 00:00:00 100 0.40 0.54 52 1 2019-03-06 01:00:00 100 0.49 0.51 58 2 2019-03-06 02:00:00 100 0.49 0.54 53 3 2019-03-06 03:00:00 100 0.44 0.56 49 4 2019-03-06 04:00:00 100 0.42 0.52 54 … … … … … … 40003 2019-03-06 19:00:00 149 0.74 0.24 81 40004 2019-03-06 20:00:00 149 0.73 0.23 81 40005 2019-03-06 21:00:00 149 0.79 0.29 83 40006 2019-03-06 22:00:00 149 0.73 0.29 82 40007 2019-03-06 23:00:00 149 0.75 0.24 84 1200 rows × 5 columns ``` #### 切片时间序列为了使时间戳切片成为可能，我们需要将 datetime 列设置为 DataFrame 的索引。要将列设置为 DataFrame 的索引，请使用 set_index 方法： ```Python df.set_index('datetime', inplace=True) print(df) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-06 00:00:00 100 0.40 0.54 52 2019-03-06 01:00:00 100 0.49 0.51 58 2019-03-06 02:00:00 100 0.49 0.54 53 2019-03-06 03:00:00 100 0.44 0.56 49 2019-03-06 04:00:00 100 0.42 0.52 54 ... ... ... ... ... 2019-04-08 19:00:00 149 0.73 0.20 81 2019-04-08 20:00:00 149 0.75 0.25 83 2019-04-08 21:00:00 149 0.80 0.26 82 2019-04-08 22:00:00 149 0.75 0.29 82 2019-04-08 23:00:00 149 0.75 0.24 80 [40800 rows x 4 columns] ``` 要使用 .loc 方法选择等于单个索引的所有行： ```Python print(df.loc['2019-03-07 02:00:00'].head(5)) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-07 02:00:00 100 0.44 0.50 56 2019-03-07 02:00:00 101 0.78 0.21 87 2019-03-07 02:00:00 102 0.75 0.27 80 2019-03-07 02:00:00 103 0.76 0.28 85 2019-03-07 02:00:00 104 0.74 0.24 77 ``` 可以选择与索引列中的特定时间戳部分匹配的行。让我们尝试一下： ```Python print(df.loc['2019-03-07'].head(5)) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-07 00:00:00 100 0.51 0.52 55 2019-03-07 01:00:00 100 0.46 0.50 49 2019-03-07 02:00:00 100 0.44 0.50 56 2019-03-07 03:00:00 100 0.45 0.52 51 2019-03-07 04:00:00 100 0.42 0.50 53 ``` 选择字符串可以是任何标准的日期格式，我们来看一些例子： ```Python df.loc['Apr 2019'] df.loc['8th April 2019'] df.loc['April 05, 2019 5pm'] ``` 我们还可以使用 .loc 方法对日期范围内的行进行切片。以下语句将返回从 2019 年 4 月 3 日到 2019 年 4 月 4 日结束的所有行；开始日期和结束日期都包括在内： ```Python display(df.loc['03-04-2019':'04-04-2019']) ``` 但是运行它会引发一个令人讨厌的未来警告。为了摆脱警告，我们可以在切片行之前对索引进行排序： ```Python display(df.sort_index().loc['03-04-2019':'04-04-2019']) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-06 00:00:00 100 0.40 0.54 52 2019-03-06 00:00:00 135 0.50 0.55 55 2019-03-06 00:00:00 110 0.54 0.40 61 2019-03-06 00:00:00 136 0.58 0.40 64 2019-03-06 00:00:00 109 0.57 0.41 61 … … … … … 2019-04-04 23:00:00 143 0.43 0.52 50 2019-04-04 23:00:00 111 0.53 0.52 59 2019-04-04 23:00:00 149 0.75 0.24 85 2019-04-04 23:00:00 138 0.40 0.56 47 2019-04-04 23:00:00 107 0.63 0.33 73 36000 rows × 4 columns ``` #### DateTimeIndex 方法某些 pandas DataFrame 方法仅适用于 DateTimeIndex。下面我们来具体看一下，首先让我们确保我们的 DataFrame 有一个 DateTimeIndex： ```Python print(type(df.index)) ``` Output: ```Text ``` 要返回在特定时间收集的服务器监控数据，无论日期如何，请使用 at_time() 方法： ```Python display(df.at_time('09:00')) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-06 09:00:00 100 0.48 0.51 51 2019-03-07 09:00:00 100 0.45 0.49 56 2019-03-08 09:00:00 100 0.45 0.53 53 2019-03-09 09:00:00 100 0.45 0.51 53 2019-03-10 09:00:00 100 0.49 0.55 55 … … … … … 2019-04-04 09:00:00 149 0.75 0.21 80 2019-04-05 09:00:00 149 0.71 0.26 83 2019-04-06 09:00:00 149 0.75 0.30 83 2019-04-07 09:00:00 149 0.81 0.28 77 2019-04-08 09:00:00 149 0.82 0.24 86 1700 rows × 4 columns ``` 此外，要选择所有日期午夜和凌晨 2 点之间的所有服务器数据，可以使用 between_time() 方法。让我们尝试一下： ```Python display(df.between_time('00:00','02:00')) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-06 00:00:00 100 0.40 0.54 52 2019-03-06 01:00:00 100 0.49 0.51 58 2019-03-06 02:00:00 100 0.49 0.54 53 2019-03-07 00:00:00 100 0.51 0.52 55 2019-03-07 01:00:00 100 0.46 0.50 49 … … … … … 2019-04-07 01:00:00 149 0.74 0.21 78 2019-04-07 02:00:00 149 0.76 0.26 74 2019-04-08 00:00:00 149 0.75 0.28 75 2019-04-08 01:00:00 149 0.69 0.27 79 2019-04-08 02:00:00 149 0.78 0.20 85 5100 rows × 4 columns ``` 我们可以使用 first() 方法根据特定的日期偏移量选择第一个 DataFrame 行。例如，将 5B 作为日期偏移量传递给该方法会返回前五个工作日内具有索引的所有行。同样，将 1W 传递给 last() 方法会返回上周内所有带有索引的 DataFrame 行。需要注意的是，必须按其索引对 DataFrame 进行排序，以确保这些方法有效。让我们试试这两个例子： ```Python display(df.sort_index().first('5B')) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-03-06 100 0.40 0.54 52 2019-03-06 135 0.50 0.55 55 2019-03-06 110 0.54 0.40 61 2019-03-06 136 0.58 0.40 64 2019-03-06 109 0.57 0.41 61 … … … … … 2019-03-12 134 0.53 0.45 61 2019-03-12 144 0.68 0.31 73 2019-03-12 113 0.76 0.24 83 2019-03-12 114 0.58 0.48 67 2019-03-12 131 0.58 0.42 67 7250 rows × 4 columns ``` ```Python display(df.sort_index().last('1W')) ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-04-08 00:00:00 106 0.44 0.62 49 2019-04-08 00:00:00 112 0.72 0.29 81 2019-04-08 00:00:00 100 0.43 0.54 51 2019-04-08 00:00:00 137 0.75 0.28 83 2019-04-08 00:00:00 110 0.61 0.40 62 … … … … … 2019-04-08 23:00:00 128 0.64 0.41 64 2019-04-08 23:00:00 127 0.67 0.33 78 2019-04-08 23:00:00 126 0.71 0.33 73 2019-04-08 23:00:00 123 0.71 0.22 83 2019-04-08 23:00:00 149 0.75 0.24 80 1200 rows × 4 columns ``` ```Python df.sort_index().last('2W') ``` Output: ```Text datetime server_id cpu_utilization free_memory session_count 2019-04-01 00:00:00 120 0.54 0.48 63 2019-04-01 00:00:00 104 0.73 0.31 83 2019-04-01 00:00:00 103 0.77 0.22 82 2019-04-01 00:00:00 124 0.39 0.55 49 2019-04-01 00:00:00 127 0.68 0.37 73 … … … … … 2019-04-08 23:00:00 128 0.64 0.41 64 2019-04-08 23:00:00 127 0.67 0.33 78 2019-04-08 23:00:00 126 0.71 0.33 73 2019-04-08 23:00:00 123 0.71 0.22 83 2019-04-08 23:00:00 149 0.75 0.24 80 9600 rows × 4 columns ``` #### 重新采样时间序列数据 resample() 方法背后的逻辑类似于 groupby() 方法。它在任何可能的时间段内对数据进行分组。虽然我们可以使用 resample() 方法进行上采样和下采样，但我们将重点介绍如何使用它来执行下采样，这会降低时间序列数据的频率——例如，将每小时的时间序列数据转换为每日或每日时间序列数据到每月以下示例返回服务器 ID 100 每天的平均 CPU 利用率、可用内存和活动会话计数。为此，我们首先需要过滤 DataFrame 中服务器 ID 为 100 的行，然后将每小时数据重新采样为每日数据。最后，对结果应用 mean() 方法，得到三个指标的每日平均值： ```Python df[df.server_id == 100].resample('D')['cpu_utilization', 'free_memory', 'session_count'].mean() ``` Output: ```Text datetime cpu_utilization free_memory session_count 2019-03-06 0.470417 0.535417 53.000000 2019-03-07 0.455417 0.525417 53.666667 2019-03-08 0.478333 0.532917 54.541667 2019-03-09 0.472917 0.523333 54.166667 2019-03-10 0.465000 0.527500 54.041667 2019-03-11 0.469583 0.528750 53.916667 2019-03-12 0.475000 0.533333 53.750000 2019-03-13 0.462917 0.521667 52.541667 2019-03-14 0.472083 0.532500 54.875000 2019-03-15 0.470417 0.530417 53.500000 2019-03-16 0.463750 0.530833 54.416667 2019-03-17 0.472917 0.532917 52.041667 2019-03-18 0.475417 0.535000 53.333333 2019-03-19 0.460833 0.546667 54.791667 ... ``` 我们还可以通过链接 groupby() 和 resample() 方法来查看每个服务器 ID 的相同结果。以下语句返回每个服务器每月的最大 CPU 利用率和可用内存。让我们尝试一下： ```Python df.groupby(df.server_id).resample('M')['cpu_utilization', 'free_memory'].max() ``` Output: ```Text server_id datetime cpu_utilization free_memory 100 2019-03-31 0.56 0.62 2019-04-30 0.55 0.61 101 2019-03-31 0.91 0.32 2019-04-30 0.89 0.30 102 2019-03-31 0.85 0.36 … … … … 147 2019-04-30 0.61 0.57 148 2019-03-31 0.84 0.35 2019-04-30 0.83 0.34 149 2019-03-31 0.85 0.36 2019-04-30 0.83 0.34 100 rows × 2 columns ``` 下面让我们绘制每个服务器每月的平均 CPU 利用率，结果使我们能够充分了解每个服务器的平均 CPU 利用率在几个月内的变化 ```Python import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(24, 8)) df.groupby(df.server_id).resample('M')['cpu_utilization'].mean()\ .plot.bar(color=['green', 'gray'], ax=ax, title='The Average Monthly CPU Utilization Comparison') ``` Output: ```Text ``` ![](https://files.mdnice.com/user/21073/717c8164-63ba-4aba-b30c-ae1b196285df.jpg) #### 写在最后 Pandas 是一种出色的分析工具，尤其是在处理时间序列数据时。该库提供了广泛的工具来处理时间索引的 DataFrame 好了，这就是今天分享的内容，如果喜欢就点个赞吧~ 本文由[mdnice](https://mdnice.com/?platform=6)多平台发布

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 202,529评论 5赞 475
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 85,015评论 2赞 379
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 149,409评论 0赞 335
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,385评论 1赞 273
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,387评论 5赞 364
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,466评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,880评论 3赞 395
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,528评论 0赞 256
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,727评论 1赞 295
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,528评论 2赞 319
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,602评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,302评论 4赞 318
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,873评论 3赞 306
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,890评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,132评论 1赞 259
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 42,777评论 2赞 349
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,310评论 2赞 342

Pandas DateTime 超强总结

推荐阅读更多精彩内容