时间戳如何储存数据
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了时间戳如何储存数据相关的知识，希望对你有一定的参考价值。
时间戳（timestamp）通常是一个数字或字符串，用于表示某个时间点相对于某个基准时间的时间差。在计算机系统中，时间戳通常以UNIX时间戳形式表示，即自1970年1月1日午夜（UTC）开始所经过的秒数。储存时间戳的方式可以根据具体的需求而定。常见的储存时间戳的方式包括：
1. 整型：将时间戳转换为整型数值，例如使用Java语言的System.currentTimeMillis()方法返回的就是一个整型数值。
2. 字符串：将时间戳转换成特定的字符串格式，例如ISO 8601标准格式的时间戳：2022-03-01T12:05:30.123Z。
3. 浮点数：将时间戳转换成浮点数，例如Python语言中计算时间差使用time.time()方法得到的就是浮点数，它包含了秒和微秒信息。
4. 数据库专用类型：某些数据库系统支持时间戳类型，例如mysql的DATETIME、TIMESTAMP类型或者PostgreSQL的TIMESTAMP WITH TIME ZONE类型。
需要注意的是，在储存时间戳时，时区信息也应该被正确处理，否则可能会导致错误的时间计算。 参考技术A 时间戳是一种特殊的数字，用于记录特定的时间点。它由一串数字和字母组成，通常用于在数据存储中标记时间或日期。它有助于更准确地追踪数据，并且可以帮助确保每一次操作都是独一无二的。它还能帮助分析数据，因为它可以显示每次操作的具体时间，以及每次操作之间的时间差。时间戳可以使用数据库中的索引来存储，以便更快地检索信息。
当时间戳未被归类为索引时，如何按时间戳对数据帧进行切片？
【中文标题】当时间戳未被归类为索引时，如何按时间戳对数据帧进行切片？【英文标题】：How can I slice a dataframe by timestamp, when timestamp isn't classified as index? 【发布时间】：2016-10-05 09:59:23 【问题描述】：如何使用时间戳拆分我的 pandas 数据帧？
我拨打df30m时得到以下价格：
Timestamp Open High Low Close Volume
0 2016-05-01 19:30:00 449.80 450.13 449.80 449.90 74.1760
1 2016-05-01 20:00:00 449.90 450.27 449.90 450.07 63.5840
2 2016-05-01 20:30:00 450.12 451.00 450.02 450.51 64.1080
3 2016-05-01 21:00:00 450.51 452.05 450.50 451.22 75.7390
4 2016-05-01 21:30:00 451.21 451.64 450.81 450.87 71.1190
5 2016-05-01 22:00:00 450.87 452.05 450.87 451.07 73.8430
6 2016-05-01 22:30:00 451.09 451.70 450.91 450.91 68.1490
7 2016-05-01 23:00:00 450.91 450.98 449.97 450.61 84.5430
8 2016-05-01 23:30:00 450.61 451.50 450.55 451.45 111.2370
9 2016-05-02 00:00:00 451.47 452.31 450.69 451.19 190.0750
10 2016-05-02 00:30:00 451.20 451.68 450.45 450.82 186.0930
11 2016-05-02 01:00:00 450.83 451.64 450.65 450.73 112.4630
12 2016-05-02 01:30:00 450.73 451.10 450.31 450.56 137.7530
13 2016-05-02 02:00:00 450.56 452.01 449.98 450.27 151.6140
14 2016-05-02 02:30:00 450.27 451.30 450.23 451.11 99.5490
15 2016-05-02 03:00:00 451.29 451.29 450.17 450.33 178.9860
16 2016-05-02 03:30:00 450.44 451.20 450.44 450.75 65.1480
17 2016-05-02 04:00:00 450.79 451.20 450.75 451.00 78.0430
18 2016-05-02 04:30:00 451.00 451.11 450.85 451.11 64.7250
19 2016-05-02 05:00:00 451.11 451.64 451.00 451.12 73.4840
20 2016-05-02 05:30:00 451.12 451.83 450.67 451.33 94.1950
21 2016-05-02 06:00:00 451.35 451.37 450.17 450.18 227.7480
22 2016-05-02 06:30:00 450.18 450.43 450.17 450.17 83.0270
23 2016-05-02 07:00:00 450.17 450.43 448.90 449.41 170.4950
24 2016-05-02 07:30:00 449.38 450.00 448.56 448.56 243.0420
25 2016-05-02 08:00:00 448.67 448.67 446.21 448.00 525.7090
26 2016-05-02 08:30:00 448.12 448.49 445.00 445.00 673.5810
27 2016-05-02 09:00:00 445.00 445.51 440.11 444.20 1392.9049
28 2016-05-02 09:30:00 444.24 444.36 440.11 442.00 438.6860
29 2016-05-02 10:00:00 441.91 443.20 440.05 442.24 400.5850
... ... ... ... ... ... ...
1651 2016-06-05 05:00:00 578.74 579.00 577.92 578.39 93.6980
1652 2016-06-05 05:30:00 578.40 578.48 574.52 575.26 98.1580
1653 2016-06-05 06:00:00 575.24 576.02 572.47 574.06 126.8620
1654 2016-06-05 06:30:00 574.06 576.35 574.06 576.34 125.4120
1655 2016-06-05 07:00:00 576.34 576.34 574.73 575.83 34.8070
1656 2016-06-05 07:30:00 575.84 576.27 574.91 575.58 74.8180
1657 2016-06-05 08:00:00 575.58 578.57 575.58 578.36 123.2560
1658 2016-06-05 08:30:00 578.23 578.47 576.18 577.25 43.6590
1659 2016-06-05 09:00:00 577.20 578.85 576.70 577.27 95.3900
1660 2016-06-05 09:30:00 577.36 578.18 576.70 576.70 51.0250
1661 2016-06-05 10:00:00 576.70 576.70 574.55 575.39 101.0590
1662 2016-06-05 10:30:00 575.41 576.44 575.18 576.44 86.4340
1663 2016-06-05 11:00:00 576.50 577.89 576.50 577.80 113.0600
1664 2016-06-05 11:30:00 577.80 578.10 576.03 576.98 57.5050
1665 2016-06-05 12:00:00 576.98 577.55 576.59 577.54 56.1070
1666 2016-06-05 12:30:00 577.54 583.00 570.93 572.82 872.8200
1667 2016-06-05 13:00:00 572.94 573.19 569.64 572.50 310.0020
1668 2016-06-05 13:30:00 572.50 574.37 572.50 574.09 59.3410
1669 2016-06-05 14:00:00 574.09 574.19 571.51 572.98 155.4310
1670 2016-06-05 14:30:00 572.98 573.57 572.02 573.47 76.9270
1671 2016-06-05 15:00:00 573.62 575.10 572.97 573.37 59.1430
1672 2016-06-05 15:30:00 573.37 574.39 573.37 574.38 77.3270
1673 2016-06-05 16:00:00 574.39 575.59 574.38 575.59 52.0150
1674 2016-06-05 16:30:00 575.00 575.59 574.50 575.00 66.9300
1675 2016-06-05 17:00:00 575.00 576.83 574.38 576.60 50.2990
1676 2016-06-05 17:30:00 576.60 577.50 575.50 576.86 104.5200
1677 2016-06-05 18:00:00 576.86 577.21 575.44 575.80 55.3270
1678 2016-06-05 18:30:00 575.77 575.80 574.52 574.77 78.7760
1679 2016-06-05 19:00:00 574.73 575.18 572.52 574.47 126.4300
1680 2016-06-05 19:30:00 574.49 574.87 573.80 574.32 10.4930
如您所见，它包含按 30 分钟间隔分组的最近 35 天。
我想在不同的时间窗口操纵这个价格历史。
因此，作为一个初学者示例，我只想获取过去 1 天的信息。
如何过滤此数据框以显示过去 1 天的信息？
这是我尝试过的：
import datetime
d0 = datetime.datetime.today()
d1 = datetime.datetime.today() - datetime.timedelta(days=1)
print d0
>>> 2016-06-05 17:10:37.633824
print d1
>>> 2016-06-04 17:10:37.633967
df_1d = df30m['Timestamp'] > d1
print df_1d
这返回给我一个充满真假的熊猫系列
0 False
1 False
2 False
3 False
4 False
...
1676 True
1677 True
1678 True
1679 True
1680 True
我也尝试过使用between_time() 模块。
df_1d = df30m.between_time(d0, d1)
但我收到以下错误消息：
TypeError: Index must be DatetimeIndex
请问，谁能告诉我一种 Python 的方式来分割我的数据框？
【问题讨论】：
【参考方案1】：您可以使用loc 来索引您的数据。你知道你的时间戳是 datetime.datetime 格式还是 Pandas 时间戳？
df30m.loc[(df30m.Timestamp <= d0) & (df30m.Timestamp >= d1)]
您可以将索引设置为 Timestamp 列，然后按如下方式进行索引：
df.set_index('Timestamp', inplace=True)
df[d1:d0]
【讨论】：
哦！这有效......这就是我所说的pythonic。关于时间戳格式，我该如何检查？type(df.Timestamp.iat[0]) 检查类型。
<class 'pandas.tslib.Timestamp'>以上是关于时间戳如何储存数据的主要内容，如果未能解决你的问题，请参考以下文章
mysql 把时间换成时间戳进行存储在int字段中还是直接用datetime好