时间戳操作

#####计算前一个月的第一天与最后一天

time = datetime.date(2017, 7, 20) #年，月，日
#求该月第一天
first_day = datetime.date(time.year, time.month-3, 1)

print(first_day)
#求前一个月的第一天
#前一个月最后一天
pre_month = first_day - datetime.timedelta(days = 1) #timedelta是一个不错的函数
d1 = datetime.datetime(2015,7,5)
d2 = datetime.datetime(2015,7,4)

(d1-d2).total_seconds()

//结果86400s

# 计算两个时间的间隔天数

# 注意：输入月份和天时，不能输入08,09等，会被识别为 8 进制而出错！（8进制是不超过07的）

# 解决办法：要把月份和天前面的0去掉。

将字符串时间转化成时间戳

st = datetime.datetime.strptime(START_TIME, "%Y-%m-%d %H:%M:%S")

将时间戳转化成字符串

day = Today.strftime("%Y-%m-%d")

计算两个时间戳之间相隔多少秒

(today1-Today).total_seconds()

根据时间戳来创建文件

import os
import datetime

# 年-月-日 时:分:秒
nowTime=datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
# 年-月-日
dayTime = datetime.datetime.now().strftime('%Y-%m-%d')
# 时:分:秒
hourTime = datetime.datetime.now().strftime('%H:%M:%S')
print(nowTime + '
' + dayTime + '
' + hourTime)

mobile = 176
pwd = os.getcwd() + '\' + dayTime + '\' + str(mobile)
# print(pwd)
# 判断文件夹是否已存在
isExists = os.path.exists(pwd)
if not isExists:
    os.makedirs(pwd)

字符串格式更改

#a = "2019-12-17 23:40:00",想改为 a = "2019/12/17 23:40:00"
#方法:先转换为时间数组,然后转换为其他格式
timeArray = time.strptime(a, "%Y-%m-%d %H:%M:%S")
otherStyleTime = time.strftime("%Y/%m/%d %H:%M:%S", timeArray)

创建指定的时间戳

from datetime import datetime

datetime_now = datetime.now() # 创建当前时间的 datetime 对象
print(datetime_now)  # 2018-08-07 15:11:44.255590
print(type(datetime_now))  # <class 'datetime.datetime'>

dt = datetime(2018, 8, 3, 15, 30)  # 用指定日期时间创建 datetime 对象
print(dt)  # 2018-08-03 15:30:00
print(type(dt))  # <class 'datetime.datetime'>

# 计算机起点时间的 datetime 对象
datetime(1970, 1, 1)  # 1970-01-01 00:00:00
datetime.utcfromtimestamp(0)  # 1970-01-01 00:00:00
datetime.fromtimestamp(0)  # 1970-01-01 08:00:00

数据清洗

1.首先观察数据

#### pandas内置函数

data.info()

info()函数，这个函数会输出DataFrame里存放的数据信息。

2.将object数据转化成float数据

data = data.apply(pd.to_numeric, errors='coerce')  

3.调用describe()函数

A = data.describe().T
IQR = A['75%'] - A['25%']

为模型选取特征数据

data.corr()[['列名']].sort_values('列名')  

　　在选择包括在这个线性回归模型中的特征时，我想在包含具有中等或较低相关系数的变量时略微宽容一些。 所以我将删除相关值的绝对值小于0.6的特征。