pandas.DatetimeIndex.ceil#

DatetimeIndex.ceil(*args, **kwargs)[源代码]#

对数据执行CEIL运算到指定的 freq 。

参数

freq字符串或偏移量

将索引设置为上限的频率级别。必须是固定的频率，如‘S’(秒)而不是‘ME’(月末)。看见 frequency aliases 查看可能的列表 freq 价值。

ambiguous‘iner’，bool-ndarray，‘nat’，默认‘raise’

仅与DatetimeIndex相关：

INFER将尝试根据订单推断秋季DST过渡时间
Bool-ndarray其中True表示DST时间，False表示非DST时间(请注意，此标志仅适用于不明确的时间)
“NaT”将在时间不明确的地方返回NAT
如果存在不明确的时间，‘Raise’将引发AmbiguousTimeError。

nonexistent‘Shift_Forward’，‘Shift_Backward’，‘NAT’，TimeDelta，默认‘RAISE’

在时钟由于DST而向前移动的特定时区中不存在不存在的时间。

‘Shift_Forward’会将不存在的时间向前移动到最接近的现有时间
‘Shift_Backup’会将不存在的时间向后移动到最接近的现有时间
“NaT”将返回不存在时间的NAT
时间增量对象将按时间增量移动不存在的时间
如果存在不存在的时间，“Raise”将引发非ExistentTimeError。

退货

DatetimeIndex、TimedeltaIndex或Series: DatetimeIndex或TimedeltaIndex的相同类型的索引，或具有相同索引的Series的Series。

加薪

如果设置了 freq 无法转换。

注意事项

如果时间戳有时区，天花板将相对于当地(“墙”)时间发生，并重新本地化到同一时区。当天花板接近夏令时时，使用 nonexistent 和 ambiguous 以控制重新本地化行为。

示例

DatetimeIndex

>>> rng = pd.date_range('1/1/2018 11:59:00', periods=3, freq='min')
>>> rng
DatetimeIndex(['2018-01-01 11:59:00', '2018-01-01 12:00:00',
               '2018-01-01 12:01:00'],
              dtype='datetime64[ns]', freq='T')
>>> rng.ceil('H')
DatetimeIndex(['2018-01-01 12:00:00', '2018-01-01 12:00:00',
               '2018-01-01 13:00:00'],
              dtype='datetime64[ns]', freq=None)

Series

>>> pd.Series(rng).dt.ceil("H")
0   2018-01-01 12:00:00
1   2018-01-01 12:00:00
2   2018-01-01 13:00:00
dtype: datetime64[ns]

在接近夏令时转换时，使用 ambiguous 或 nonexistent 以控制应如何重新本地化时间戳。

>>> rng_tz = pd.DatetimeIndex(["2021-10-31 01:30:00"], tz="Europe/Amsterdam")

>>> rng_tz.ceil("H", ambiguous=False)
DatetimeIndex(['2021-10-31 02:00:00+01:00'],
              dtype='datetime64[ns, Europe/Amsterdam]', freq=None)

>>> rng_tz.ceil("H", ambiguous=True)
DatetimeIndex(['2021-10-31 02:00:00+02:00'],
              dtype='datetime64[ns, Europe/Amsterdam]', freq=None)

pandas.DatetimeIndex.floor

pandas.DatetimeIndex.to_period