这是啥日期时间格式以及如何解析它？

Posted 2023-03-11

【中文标题】这是啥日期时间格式以及如何解析它？

【英文标题】：What datetime format is this and how do I parse it?这是什么日期时间格式以及如何解析它？

【发布时间】：2019-01-31 07:57:57

【问题描述】：

我有一些从 API 中提取的数据，日期格式如下：'1522454400000'

不知道如何解析它，但这是我所拥有的（尝试失败）

df = DataFrame(test)
df.columns = ['Date', 'Open', 'High', 'Low', 'Close', 'Volume']
df.set_index('Date')
df.index = pd.to_datetime(df.index, unit = 'd')

其中变量test 是基础数据的列表。这会错误地将数据解析为 1970 年。

解析结果：

1970-01-01 00:00:00.000000000

有什么想法吗？

********************** 编辑 ************************ ************

Python 版本：3

熊猫版。 0.23.0

这是一个可重复性的工作示例。但首先，这是我发现的事实。

日期格式：自 1970 年 1 月 1 日以来的 64 位 Unix 时间戳，以毫秒为单位

时区：UTC

我的时区：UTC + 4（所需的日期时间索引）

代码：

import bitmex
import pandas as pd
from pandas import DataFrame
import datetime
import ccxt

api_connector = ccxt.bitmex(
    'enableRateLimit': True
)

#get OHLCV Data
testdata = api_connector.fetch_ohlcv('XBTZ18', '1h')

df2 = DataFrame(testdata)
df2.columns = ['Date', 'Open', 'High', 'Low', 'Close', 'Volume']
#df2.set_index('Date')
df2.index = pd.to_datetime(df2.Date, unit='ms')
df3 = df2.drop(['Date'],
              axis =1)
df3.tail()

这会返回：

Open    High    Low Close   Volume
Date                    
2018-07-06 00:00:00 6538.5  6555.0  6532.5  6537.0  176836
2018-07-06 01:00:00 6537.0  6535.5  6520.5  6524.5  139735
2018-07-06 02:00:00 6524.5  6542.5  6525.5  6542.5  59759
2018-07-06 03:00:00 6542.5  6545.0  6538.0  6538.0  121410
2018-07-06 04:00:00 6538.0  6538.5  6477.5  6525.0  764125

关闭！但没有雪茄。今天的日期是 2018 年 8 月 31 日，所以我至少希望它在正确的月份。

伙计们，我做错了什么？

【问题讨论】：

imo 1970 年的事情与 UNIX 系统上的时代（1970 年 1 月 1 日）有关。我的猜测是，解析中的错误只会给你时代，而不是之间的时间。来源：wiki.python.org/moin/WorkingWithTime

如果您知道 1970 年是不正确的，那么大概您知道什么是正确的，或者至少是大致的，所以您应该将这些信息放在问题中。因为您碰巧选择了最近的一个时间，格式非常接近我们中的一些人每天都必须盯着的熟悉的格式，并且正在寻找 UTC 午夜时间戳，所以您很幸运，我们中的一些人认出了它很快，但一般来说，你不应该那样依赖运气，否则你通常不会得到答案。

谢谢大家。我对时间框架有一种感觉，并且确实知道 1970 年已经过去了。我也知道这是一个每日时间序列（因为拉取数据的函数有一个参数）。但是我无法解析日期并将其设置为我的索引以及此处的响应。会继续努力

我不知道您的数据源是什么，但您确定 (a) 它设置了正确的日期，并且 (b) 它为您提供了当前数据？

【参考方案1】：

这几乎可以肯定是 "Unix time" 的一个变体：不是自 1970 年 1 月 1 日纪元以来的秒数，而是自 1970 年 1 月 1 日纪元以来的毫秒：

>>> datetime.datetime.utcfromtimestamp(int('1522454400000') / 1000)
datetime.datetime(2018, 3, 31, 0, 0)

这看起来确实是一个合理的日期。它甚至看起来可能是 UTC，而不是当地时间（除非你恰好在英格兰，或者没想到它正好是在午夜）。

---

我认为 Pandas 的任何内置格式（实际上只是来自 datetime 和/或 dateutil 的格式的包装器）都不完全符合这一点，因此您可能需要按照我的方式进行操作做了 about（转换为 int 并将其视为一个数字）或执行字符串等效（砍掉最后 3 个字符，然后将其视为 UNIX 时间戳的字符串）。

第一个似乎更简单：

>>> pd.to_datetime(int('1522454400000'), unit='ms')
Timestamp('2018-03-31 00:00:00')

事实上，它甚至可以直接作用于字符串，隐式地进行转换：

>>> pd.to_datetime('1522454400000', unit='ms')
Timestamp('2018-03-31 00:00:00')

【讨论】：

很高兴知道它可以直接在字符串上工作。 +1

@ALollz 是的，实际上直到我偶然尝试它时我才知道。 Pandas 总是让我感到惊讶，而且并不总是以糟糕的方式。 :)

当我运行它时，我仍然得到相同的 1970 年结果，而不是你上面得到的结果。任何想法为什么？ df2.index = pd.to_datetime(df2.index, unit='ms') 我的最终目标是解析这些日期并充当我的熊猫数据框的索引。那里有点麻烦。再次感谢大家。和@abarnert，你会发现那个字符串技巧！

@user2179795 你能edit你的问题给我们一个完整的例子，有样本数据吗？此外，即使完全运行此答案中的代码，或者仅使用您的示例数据，您是否会得到 1970？如果是这样，您有哪些版本的 Python 和 Pandas（以及，当我们使用它时，dateutil）？

@abarnert 等人。很想听听您对上述示例的看法！