Python pandas.Series.dt.tz_localize用法及代码示例

用法:
Series.dt.tz_localize(*args, **kwargs)

将 tz-naive 日期时间数组/索引本地化为 tz-aware 日期时间数组/索引。

此方法采用时区 (tz) 天真 Datetime Array/Index 对象，并使该时区感知。它不会将时间移动到另一个时区。

这个方法也可以用来做相反的事情——从一个感知对象创建一个时区不感知对象。为此，请传递 tz=None 。

参数：

tz：str、pytz.timezone、dateutil.tz.tzfile 或无

将时间戳转换为的时区。传递None 将删除保留本地时间的时区信息。

ambiguous：‘infer’, ‘NaT’, 布尔数组，默认 ‘raise’

当时钟由于 DST 向后移动时，可能会出现不明确的时间。例如，在欧洲中部时间 (UTC+01) 中，当从 03:00 DST 到 02:00 非 DST 时，当地时间 02:30:00 发生在 00:30:00 UTC 和 01:30:00世界标准时间。在这种情况下，ambiguous 参数指示应如何处理模棱两可的时间。

‘infer’ 将尝试根据订单推断秋季 dst-transition 小时
bool-ndarray 其中 True 表示 DST 时间，False 表示非 DST 时间(请注意，此标志仅适用于模棱两可的时间)
'NaT' 将在时间不明确的地方返回 NaT
如果时间不明确，‘raise’ 将引发 AmbiguousTimeError。

nonexistent：‘shift_forward’, ‘shift_backward, ‘NaT’, timedelta, 默认 ‘raise’

由于 DST，时钟向前移动的特定时区不存在不存在的时间。

‘shift_forward’ 将不存在的时间向前移动到最接近的存在时间
‘shift_backward’ 将不存在的时间向后移动到最接近的存在时间
‘NaT’ 将返回不存在时间的 NaT
timedelta 对象会将不存在的时间移动 timedelta
如果时间不存在，‘raise’ 将引发 NonExistentTimeError。

与自己相同的类型: 数组/索引转换为指定时区。

抛出：

TypeError: 如果日期时间数组/索引是 tz-aware 并且 tz 不是无。

例子：

>>> 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')

在美国/东部时区本地化 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 ，我们可以在保留本地时间(未转换为 UTC)的同时删除时区信息：

>>> 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)

小心 DST 更改。当有顺序数据时，pandas 可以推断 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 ambiguous 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，您可以使用 timedelta 对象或 ‘shift_forward’ 或 ‘shift_backwards’ 将这些日期向前或向后移动。

>>> 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]

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.Series.dt.tz_localize。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

抛出：

例子：