您可以使用函数tz_localize来识别Timestamp或DateTimeIndex时区，但是如何做到相反：如何将时区感知时间戳转换为天真时间戳，同时保留其时区？
一个例子：
In [82]: t = pd.date_range(start="2013-05-18 12:00:00", periods=10, freq='s', tz="Europe/Brussels")
In [83]: t
Out[83]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-05-18 12:00:00, ..., 2013-05-18 12:00:09]
Length: 10, Freq: S, Timezone: Europe/Brussels
我可以通过将时区设置为None来删除时区，但结果将转换为UTC（12点钟变为10）：
In [86]: t.tz = None
In [87]: t
Out[87]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-05-18 10:00:00, ..., 2013-05-18 10:00:09]
Length: 10, Freq: S, Timezone: None
我是否有另一种方法可以将DateTimeIndex转换为时区，但保留时区时却设置了？
一些上下文就我问这个问题的原因：我想使用timezone天真的时间序列（以避免时区的额外麻烦，我不需要它们用于我正在处理的情况）。
但出于某种原因，我必须在当地时区（欧洲/布鲁塞尔）处理时区感知的时间序列。由于我所有的其他数据都是时区天真（但在我当地的时区中表示），我想将这个时间序列转换成天真的以便进一步使用它，但它也必须在我的本地时区中表示（所以只需删除时区信息，不将用户可见时间转换为UTC）。
我知道时间实际上是内部存储为UTC，只有当你代表它时才转换为另一个时区，因此当我想要“离域化”时必须进行某种转换。例如，使用python datetime模块，您可以像这样“删除”时区：
In [119]: d = pd.Timestamp("2013-05-18 12:00:00", tz="Europe/Brussels")
In [120]: d
Out[120]: <Timestamp: 2013-05-18 12:00:00+0200 CEST, tz=Europe/Brussels>
In [121]: d.replace(tzinfo=None)
Out[121]: <Timestamp: 2013-05-18 12:00:00>
所以，基于此，我可以做到以下几点，但我认为在使用更大的时间序列时这不会非常有效：
In [124]: t
Out[124]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-05-18 12:00:00, ..., 2013-05-18 12:00:09]
Length: 10, Freq: S, Timezone: Europe/Brussels
In [125]: pd.DatetimeIndex([i.replace(tzinfo=None) for i in t])
Out[125]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2013-05-18 12:00:00, ..., 2013-05-18 12:00:09]
Length: 10, Freq: None, Timezone: None
答案 0 :(得分：69)
要回答我自己的问题，此时此功能已添加到pandas中。从pandas 0.15.0 开始，您可以使用tz_localize(None)删除导致当地时间的时区。
请参阅whatsnew条目：http://pandas.pydata.org/pandas-docs/stable/whatsnew.html#timezone-handling-improvements
以上我的例子：
In [4]: t = pd.date_range(start="2013-05-18 12:00:00", periods=2, freq='H',
tz= "Europe/Brussels")
In [5]: t
Out[5]: DatetimeIndex(['2013-05-18 12:00:00+02:00', '2013-05-18 13:00:00+02:00'],
dtype='datetime64[ns, Europe/Brussels]', freq='H')
使用tz_localize(None)删除导致天真的本地时间的时区信息：
In [6]: t.tz_localize(None)
Out[6]: DatetimeIndex(['2013-05-18 12:00:00', '2013-05-18 13:00:00'],
dtype='datetime64[ns]', freq='H')
此外，您还可以使用tz_convert(None)删除时区信息，但转换为UTC，因此产生天真的UTC时间：
In [7]: t.tz_convert(None)
Out[7]: DatetimeIndex(['2013-05-18 10:00:00', '2013-05-18 11:00:00'],
dtype='datetime64[ns]', freq='H')
这比datetime.replace解决方案更高效：
In [31]: t = pd.date_range(start="2013-05-18 12:00:00", periods=10000, freq='H',
tz="Europe/Brussels")
In [32]: %timeit t.tz_localize(None)
1000 loops, best of 3: 233 µs per loop
In [33]: %timeit pd.DatetimeIndex([i.replace(tzinfo=None) for i in t])
10 loops, best of 3: 99.7 ms per loop
答案 1 :(得分：13)
我认为你无法以比你提出的更有效的方式实现你想要的目标。
潜在的问题是时间戳（如你所知）由两部分组成。表示UTC时间的数据和时区tz_info。在将时区打印到屏幕时，时区信息仅用于显示目的。在显示时，数据被适当地偏移，+ 01：00（或类似）被添加到字符串。剥离tz_info值（使用tz_convert（tz = None））实际上并不会更改表示时间戳的天真部分的数据。
所以，做你想做的事的唯一方法是修改底层数据（pandas不允许这样做...... DatetimeIndex是不可变的 - 请参阅DatetimeIndex上的帮助），或者创建一组新的时间戳对象并将它们包装在新的DatetimeIndex中。你的解决方案是后者：
pd.DatetimeIndex([i.replace(tzinfo=None) for i in t])
供参考，以下是replace的{{1}}方法（请参阅tslib.pyx）：
Timestamp您可以参考def replace(self, **kwds):
return Timestamp(datetime.replace(self, **kwds),
offset=self.offset)
上的文档，看看datetime.datetime也创建了一个新对象。
如果可以的话，效率的最佳选择是修改数据源，以便（错误地）报告没有时区的时间戳。你提到过：
我想使用时区天真的时间序列（以避免时区的额外麻烦，我不需要它们用于我正在处理的情况）
我很好奇你指的是多么麻烦。我建议作为所有软件开发的一般规则，保留UTC中的时间戳'天真值'。没有比看两个不同的int64值更糟糕的了解它们属于哪个时区。如果您始终始终使用UTC作为内部存储，那么您将避免无数令人头疼的问题。我的口头禅是时区只适用于人类I / O 。
答案 2 :(得分：5)
显式设置索引的tz属性似乎有效：
ts_utc = ts.tz_convert("UTC")
ts_utc.index.tz = None
答案 3 :(得分：3)
因为我总是想不起来，所以简要总结一下它们的作用：
>>> pd.Timestamp.now() # naive local time
Timestamp('2019-10-07 10:30:19.428748')
>>> pd.Timestamp.utcnow() # tz aware UTC
Timestamp('2019-10-07 08:30:19.428748+0000', tz='UTC')
>>> pd.Timestamp.now(tz='Europe/Brussels') # tz aware local time
Timestamp('2019-10-07 10:30:19.428748+0200', tz='Europe/Brussels')
>>> pd.Timestamp.now(tz='Europe/Brussels').tz_localize(None) # naive local time
Timestamp('2019-10-07 10:30:19.428748')
>>> pd.Timestamp.now(tz='Europe/Brussels').tz_convert(None) # naive UTC
Timestamp('2019-10-07 08:30:19.428748')
>>> pd.Timestamp.utcnow().tz_localize(None) # naive UTC
Timestamp('2019-10-07 08:30:19.428748')
>>> pd.Timestamp.utcnow().tz_convert(None) # naive UTC
Timestamp('2019-10-07 08:30:19.428748')
答案 4 :(得分：2)
最近的贡献，但在Python datetime and pandas give different timestamps for the same date中遇到了类似的情况。
如果您在pandas中具有可识别时区的日期时间，则从技术上讲，tz_localize(None)会更改POSIX时间戳（内部使用），就好像时间戳中的本地时间是UTC。 Local 表示在指定时区为 local 。例如：
import pandas as pd
t = pd.date_range(start="2013-05-18 12:00:00", periods=2, freq='H', tz="US/Central")
# DatetimeIndex(['2013-05-18 12:00:00-05:00', '2013-05-18 13:00:00-05:00'], dtype='datetime64[ns, US/Central]', freq='H')
t_loc = t.tz_localize(None)
# DatetimeIndex(['2013-05-18 12:00:00', '2013-05-18 13:00:00'], dtype='datetime64[ns]', freq='H')
# offset in seconds according to timezone:
(t_loc.values-t.values)//1e9
# array([-18000, -18000], dtype='timedelta64[ns]')
请注意，这会使您在DST过渡期间留下奇怪的事情，例如
t = pd.date_range(start="2020-03-08 01:00:00", periods=2, freq='H', tz="US/Central")
(t.values[1]-t.values[0])//1e9
# numpy.timedelta64(3600,'ns')
t_loc = t.tz_localize(None)
(t_loc.values[1]-t_loc.values[0])//1e9
# numpy.timedelta64(7200,'ns')
相比之下，tz_convert(None)不会修改内部时间戳记，只会删除tzinfo。
t_utc = t.tz_convert(None)
(t_utc.values-t.values)//1e9
# array([0, 0], dtype='timedelta64[ns]')
我的底线是：如果可以或仅使用t.tz_convert(None)而不修改基础POSIX时间戳，请坚持使用时区感知日期时间。请记住，那时您实际上正在使用UTC。
（Windows 10上的Python 3.8.2 x64，pandas v1.0.5。）
答案 5 :(得分：1)
当系列中有多个不同时区时，可接受的解决方案不起作用。它会抛出ValueError: Tz-aware datetime.datetime cannot be converted to datetime64 unless utc=True
解决方案是使用apply方法。
请参见以下示例：
# Let's have a series `a` with different multiple timezones.
> a
0 2019-10-04 16:30:00+02:00
1 2019-10-07 16:00:00-04:00
2 2019-09-24 08:30:00-07:00
Name: localized, dtype: object
> a.iloc[0]
Timestamp('2019-10-04 16:30:00+0200', tz='Europe/Amsterdam')
# trying the accepted solution
> a.dt.tz_localize(None)
ValueError: Tz-aware datetime.datetime cannot be converted to datetime64 unless utc=True
# Make it tz-naive. This is the solution:
> a.apply(lambda x:x.tz_localize(None))
0 2019-10-04 16:30:00
1 2019-10-07 16:00:00
2 2019-09-24 08:30:00
Name: localized, dtype: datetime64[ns]
# a.tz_convert() also does not work with multiple timezones, but this works:
> a.apply(lambda x:x.tz_convert('America/Los_Angeles'))
0 2019-10-04 07:30:00-07:00
1 2019-10-07 13:00:00-07:00
2 2019-09-24 08:30:00-07:00
Name: localized, dtype: datetime64[ns, America/Los_Angeles]
答案 6 :(得分：0)
建立在D.A.的建议“做你想要的唯一方法是修改基础数据”并使用numpy修改基础数据......
这适合我，而且非常快：
def tz_to_naive(datetime_index):
"""Converts a tz-aware DatetimeIndex into a tz-naive DatetimeIndex,
effectively baking the timezone into the internal representation.
Parameters
----------
datetime_index : pandas.DatetimeIndex, tz-aware
Returns
-------
pandas.DatetimeIndex, tz-naive
"""
# Calculate timezone offset relative to UTC
timestamp = datetime_index[0]
tz_offset = (timestamp.replace(tzinfo=None) -
timestamp.tz_convert('UTC').replace(tzinfo=None))
tz_offset_td64 = np.timedelta64(tz_offset)
# Now convert to naive DatetimeIndex
return pd.DatetimeIndex(datetime_index.values + tz_offset_td64)
答案 7 :(得分：0)
最重要的是定义日期时间对象时添加tzinfo。
from datetime import datetime, timezone
from tzinfo_examples import HOUR, Eastern
u0 = datetime(2016, 3, 13, 5, tzinfo=timezone.utc)
for i in range(4):
u = u0 + i*HOUR
t = u.astimezone(Eastern)
print(u.time(), 'UTC =', t.time(), t.tzname())