Question

我有一个名为dt的numpy数组。每个元素都是datetime.timedelta类型。例如：

>>>dt[0]
datetime.timedelta(0, 1, 36000)

如何将dt转换为仅包含秒而不循环的数组dt_sec？我当前的解决方案（有效，但我不喜欢）是：

dt_sec = zeros((len(dt),1))
for i in range(0,len(dt),1):
    dt_sec[i] = dt[i].total_seconds()

我尝试使用dt.total_seconds()，但当然没有用。关于如何避免这种循环的任何想法？

由于

Answer 1

numpy有自己的datetime和timedelta格式。只需使用它们;）。

设置例如：

import datetime
import numpy

times = numpy.array([datetime.timedelta(0, 1, 36000)])

代码：

times.astype("timedelta64[ms]").astype(int) / 1000
#>>> array([ 1.036])

由于人们似乎没有意识到这是最佳解决方案，因此以下是timedelta64数组与datetime.datetime数组的一些时序：

SETUP="
import datetime
import numpy

times = numpy.array([datetime.timedelta(0, 1, 36000)] * 100000)
numpy_times = times.astype('timedelta64[ms]')
"

python -m timeit -s "$SETUP" "numpy_times.astype(int) / 1000"
python -m timeit -s "$SETUP" "numpy.vectorize(lambda x: x.total_seconds())(times)"
python -m timeit -s "$SETUP" "[delta.total_seconds() for delta in times]"

结果：

100 loops, best of 3: 4.54 msec per loop
10 loops, best of 3: 99.5 msec per loop
10 loops, best of 3: 67.1 msec per loop

初始翻译所需的时间大约是矢量化表达式的两倍，但是从那时起的每个操作到timedelta数组的永久性将大约快20倍。

如果您再也不打算再使用timedelta，请考虑问自己为什么要在第一时间进行增量（而不是timedelta64 s），然后使用{ {1}}表达。它不那么原生，但出于某种原因它更快。

Answer 2

import numpy as np

helper = np.vectorize(lambda x: x.total_seconds())
dt_sec = helper(dt)

Answer 3

我喜欢prgao建议使用np.vectorize。如果您只想要一个Python列表，您还可以执行以下操作：

dt_sec = map(datetime.timedelta.total_seconds, dt)

Answer 4

一种方便而优雅的方法是使用pandas.Series并使用dt.total_seconds属性：

import numpy as np
import pandas as pd

# create example datetime arrays
arr1 = np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64')
arr2 = np.array(['2007-07-15', '2006-01-18', '2010-08-22'], dtype='datetime64')

# timedelta array
td = arr2 - arr1

# get total seconds
pd.Series(td).dt.total_seconds()

0    172800.0
1    432000.0
2    777600.0
dtype: float64

Answer 5

您可以使用“列表理解”：

dt_sec = [delta.total_seconds() for delta in dt]

在幕后，numpy应该把它翻译成一个非常快速的操作。

在python 2.7中将包含datetime.timedelta的numpy数组转换为秒的优雅方法

5 个答案: