pandas.Series.dt.tz_localize#
- Series.dt.tz_localize(*args, **kwargs)[源代码]#
将tz-naive DateTime数组/索引本地化为TZ感知的DateTime数组/索引。
此方法采用时区(Tz)原始的DateTime数组/索引对象，并使其能够识别时区。它不会将时间移动到另一个时区。
此方法还可用于执行相反操作--从可识别对象创建时区未知对象。为此，请不要 tz=None 。
- 参数
- tzStr、pytz.timezone、Dateutil.tz.tz文件或无
要将时间戳转换为的时区。传球
None将删除保留当地时间的时区信息。- ambiguous‘INFER’，‘NAT’，布尔数组，默认‘RAISE’
当时钟因DST向后移动时，可能会出现时间不明确的情况。例如，在中欧时间(UTC+01)，当从DST 03：00到非DST 02：00时，当地时间02：30：00同时出现在UTC 00：30：00和01：30：00 UTC。在这种情况下， ambiguous 参数指示应如何处理不明确的时间。
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
- 与自己相同的类型
数组/索引已转换为指定时区。
- 加薪
- TypeError
如果DateTime数组/索引是Tz感知的，并且Tz不是None。
参见
DatetimeIndex.tz_convert将TZ感知的DatetimeIndex从一个时区转换为另一个时区。
示例
>>> tz_naive = pd.date_range('2018-03-01 09:00', periods=3) >>> tz_naive DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00', '2018-03-03 09:00:00'], dtype='datetime64[ns]', freq='D')
本地化美国/东部时区的DatetimeIndex：
>>> tz_aware = tz_naive.tz_localize(tz='US/Eastern') >>> tz_aware DatetimeIndex(['2018-03-01 09:00:00-05:00', '2018-03-02 09:00:00-05:00', '2018-03-03 09:00:00-05:00'], dtype='datetime64[ns, US/Eastern]', freq=None)
使用
tz=None，我们可以删除时区信息，同时保留当地时间(不转换为UTC)：>>> tz_aware.tz_localize(None) DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00', '2018-03-03 09:00:00'], dtype='datetime64[ns]', freq=None)
DST更改时要小心。当有顺序数据时，Pandas可以推断出DST时间：
>>> s = pd.to_datetime(pd.Series(['2018-10-28 01:30:00', ... '2018-10-28 02:00:00', ... '2018-10-28 02:30:00', ... '2018-10-28 02:00:00', ... '2018-10-28 02:30:00', ... '2018-10-28 03:00:00', ... '2018-10-28 03:30:00'])) >>> s.dt.tz_localize('CET', ambiguous='infer') 0 2018-10-28 01:30:00+02:00 1 2018-10-28 02:00:00+02:00 2 2018-10-28 02:30:00+02:00 3 2018-10-28 02:00:00+01:00 4 2018-10-28 02:30:00+01:00 5 2018-10-28 03:00:00+01:00 6 2018-10-28 03:30:00+01:00 dtype: datetime64[ns, CET]
在某些情况下，推断DST是不可能的。在这种情况下，您可以将ndarray传递给歧义参数以显式设置DST
>>> s = pd.to_datetime(pd.Series(['2018-10-28 01:20:00', ... '2018-10-28 02:36:00', ... '2018-10-28 03:46:00'])) >>> s.dt.tz_localize('CET', ambiguous=np.array([True, True, False])) 0 2018-10-28 01:20:00+02:00 1 2018-10-28 02:36:00+02:00 2 2018-10-28 03:46:00+01:00 dtype: datetime64[ns, CET]
如果DST转换导致时间不存在，则可以使用TimeDelta对象或 'shift_forward' 或 'shift_backwards' 。
>>> s = pd.to_datetime(pd.Series(['2015-03-29 02:30:00', ... '2015-03-29 03:30:00'])) >>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_forward') 0 2015-03-29 03:00:00+02:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]
>>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_backward') 0 2015-03-29 01:59:59.999999999+01:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]
>>> s.dt.tz_localize('Europe/Warsaw', nonexistent=pd.Timedelta('1H')) 0 2015-03-29 03:30:00+02:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]