pandas.DataFrame.tz_localize#

DataFrame.tz_localize(tz, axis=0, level=None, copy=None, ambiguous='raise', nonexistent='raise')[源代码]#

将Series或DataFrame的无时区索引本地化为目标时区。

此操作会本地化索引。 要本地化时区无关的 Series 中的值，请使用 Series.dt.tz_localize() 。

Parameters:
tz字符串或 tzinfo 或 None

要本地化的时区。 传递 None 将删除时区信息并保留本地时间。

axis{0 或 ‘index’, 1 或 ‘columns’}, default 0

要本地化的轴

level整数、字符串、默认 None

如果 axis 是 MultiIndex，则本地化特定级别。 否则必须是 None。

copybool, default True

同时复制底层数据。

备注

copy 关键字在 pandas 3.0 中将更改行为。Copy-on-Write 将默认启用，这意味着所有带有 copy 关键字的方法都将使用惰性复制机制来延迟复制并忽略 copy 关键字。copy 关键字将在 pandas 的未来版本中移除。

通过启用 copy on write pd.options.mode.copy_on_write = True，您可以获得未来的行为和改进。

歧义 (ambiguous)‘infer’, bool-ndarray, ‘NaT’, 默认 ‘raise’

当 DST 导致时钟倒转时，可能会出现歧义时间。 例如，在中欧时间（UTC+01），当从 03:00 DST 变为 02:00 非 DST 时，02:30:00 的本地时间会在 00:30:00 UTC 和 01:30:00 UTC 都出现。 在这种情况下，ambiguous 参数决定了如何处理歧义时间。

  • ‘infer’ 将尝试根据顺序推断DST转换的小时

  • bool-ndarray，其中 True 表示 DST 时间，False 表示非 DST 时间（请注意，此标志仅适用于歧义时间）

  • ‘NaT’ 将在有歧义时间的地方返回 NaT

  • 如果存在歧义时间，’raise’ 将引发 AmbiguousTimeError。

不存在 (nonexistent)字符串, 默认 ‘raise’

不存在的时间在特定时区不存在，因为DST导致时钟向前移动。 有效值是：

  • ‘shift_forward’ 会将不存在的时间向前移动到最近的可用时间。

  • ‘shift_backward’ 会将不存在的时间向后移动到最近的可用时间。

  • ‘NaT’ 在有不存在的时间时返回 NaT。

  • timedelta 对象会将不存在的时间按 timedelta 移动。

  • ‘raise’ 如果存在不存在的时间，则会引发一个 NonExistentTimeError。

Returns:
Series/DataFrame

与输入类型相同。

Raises:
TypeError

如果 TimeSeries 带有 timezone 信息且 tz 不为 None。

Examples

本地化本地时间：

>>> s = pd.Series(
...     [1],
...     index=pd.DatetimeIndex(['2018-09-15 01:30:00']),
... )
>>> s.tz_localize('CET')
2018-09-15 01:30:00+02:00    1
dtype: int64

传递 None 可将 timezone 转换为 naive 索引并保留本地时间：

>>> s = pd.Series([1],
...               index=pd.DatetimeIndex(['2018-09-15 01:30:00+02:00']))
>>> s.tz_localize(None)
2018-09-15 01:30:00    1
dtype: int64

请注意夏令时 (DST) 的更改。当有连续数据时，pandas 可以推断 DST 时间：

>>> s = pd.Series(range(7),
...               index=pd.DatetimeIndex(['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.tz_localize('CET', ambiguous='infer')
2018-10-28 01:30:00+02:00    0
2018-10-28 02:00:00+02:00    1
2018-10-28 02:30:00+02:00    2
2018-10-28 02:00:00+01:00    3
2018-10-28 02:30:00+01:00    4
2018-10-28 03:00:00+01:00    5
2018-10-28 03:30:00+01:00    6
dtype: int64

在某些情况下，无法推断 DST。在这种情况下，您可以将 ndarray 传递给 ambiguous 参数来显式设置 DST。

>>> s = pd.Series(range(3),
...               index=pd.DatetimeIndex(['2018-10-28 01:20:00',
...                                       '2018-10-28 02:36:00',
...                                       '2018-10-28 03:46:00']))
>>> s.tz_localize('CET', ambiguous=np.array([True, True, False]))
2018-10-28 01:20:00+02:00    0
2018-10-28 02:36:00+02:00    1
2018-10-28 03:46:00+01:00    2
dtype: int64

如果 DST 转换导致不存在的时间，您可以使用 timedelta 对象或 ‘shift_forward’ 或 ‘shift_backward’ 将这些日期向前或向后移动。

>>> s = pd.Series(range(2),
...               index=pd.DatetimeIndex(['2015-03-29 02:30:00',
...                                       '2015-03-29 03:30:00']))
>>> s.tz_localize('Europe/Warsaw', nonexistent='shift_forward')
2015-03-29 03:00:00+02:00    0
2015-03-29 03:30:00+02:00    1
dtype: int64
>>> s.tz_localize('Europe/Warsaw', nonexistent='shift_backward')
2015-03-29 01:59:59.999999999+01:00    0
2015-03-29 03:30:00+02:00              1
dtype: int64
>>> s.tz_localize('Europe/Warsaw', nonexistent=pd.Timedelta('1h'))
2015-03-29 03:30:00+02:00    0
2015-03-29 03:30:00+02:00    1
dtype: int64
On this page
显示源代码