pandas.DatetimeIndex.tz_localize#
- DatetimeIndex.tz_localize(tz, ambiguous='raise', nonexistent='raise')[源代码][源代码]#
将时区未知的日期时间数组/索引本地化为时区已知的日期时间数组/索引。
此方法接受一个时区（tz）天真的 Datetime 数组/索引对象，并使其具有时区意识。它不会将时间移动到另一个时区。
此方法也可以用于做相反的事情——从已知对象创建一个时区未知对象。为此，传递 tz=None。
- 参数:
- tzstr, zoneinfo.ZoneInfo, pytz.timezone, dateutil.tz.tzfile, datetime.tzinfo 或 None
要转换时间戳的时区。传递
None将保留本地时间并删除时区信息。- 模棱两可‘infer’, ‘NaT’, bool 数组, 默认 ‘raise’
由于夏令时导致的时钟回拨，可能会出现不明确的时间。例如在中欧时间（UTC+01），当从夏令时03:00变为非夏令时02:00时，本地时间02:30:00会同时出现在UTC 00:30:00和UTC 01:30:00。在这种情况下，`ambiguous`参数决定了如何处理不明确的时间。
‘infer’ 将尝试根据顺序推断出 dst-transition 小时
bool-ndarray，其中 True 表示夏令时，False 表示非夏令时（请注意，此标志仅适用于不明确的时间）
‘NaT’ 将在存在模糊时间的地方返回 NaT
‘raise’ 如果存在歧义时间，将引发 ValueError。
- 不存在‘shift_forward’, ‘shift_backward’, ‘NaT’, timedelta, 默认 ‘raise’
在一个特定时区中，由于夏令时导致时钟向前移动，不存在的时间在该时区中不存在。
‘shift_forward’ 会将不存在的时间向前移动到最近的现有时间
‘shift_backward’ 会将不存在的时刻向后移动到最近的现有时刻
‘NaT’ 将在不存在时间的地方返回 NaT
timedelta 对象会将不存在的时间按 timedelta 进行调整
‘raise’ 如果存在不存在的时间，将引发 ValueError。
- 返回:
- 与自身类型相同
数组/索引转换为指定时区。
- 引发:
- TypeError
如果 Datetime 数组/索引是时区感知的并且 tz 不是 None。
参见
DatetimeIndex.tz_convert将 tz-aware DatetimeIndex 从一个时区转换到另一个时区。
例子
>>> tz_naive = pd.date_range('2018-03-01 09:00', periods=3) >>> tz_naive DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00', '2018-03-03 09:00:00'], dtype='datetime64[ns]', freq='D')
在 US/Eastern 时区中本地化 DatetimeIndex：
>>> tz_aware = tz_naive.tz_localize(tz='US/Eastern') >>> tz_aware DatetimeIndex(['2018-03-01 09:00:00-05:00', '2018-03-02 09:00:00-05:00', '2018-03-03 09:00:00-05:00'], dtype='datetime64[ns, US/Eastern]', freq=None)
使用
tz=None，我们可以在保持本地时间的同时（不转换为UTC）移除时区信息：>>> tz_aware.tz_localize(None) DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00', '2018-03-03 09:00:00'], dtype='datetime64[ns]', freq=None)
注意DST的变化。当有顺序数据时，pandas可以推断DST时间：
>>> s = pd.to_datetime(pd.Series(['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.dt.tz_localize('CET', ambiguous='infer') 0 2018-10-28 01:30:00+02:00 1 2018-10-28 02:00:00+02:00 2 2018-10-28 02:30:00+02:00 3 2018-10-28 02:00:00+01:00 4 2018-10-28 02:30:00+01:00 5 2018-10-28 03:00:00+01:00 6 2018-10-28 03:30:00+01:00 dtype: datetime64[s, CET]
在某些情况下，推断DST是不可能的。在这种情况下，你可以传递一个ndarray到ambiguous参数来显式设置DST。
>>> s = pd.to_datetime(pd.Series(['2018-10-28 01:20:00', ... '2018-10-28 02:36:00', ... '2018-10-28 03:46:00'])) >>> s.dt.tz_localize('CET', ambiguous=np.array([True, True, False])) 0 2018-10-28 01:20:00+02:00 1 2018-10-28 02:36:00+02:00 2 2018-10-28 03:46:00+01:00 dtype: datetime64[s, CET]
如果夏令时转换导致不存在的时间，你可以使用 timedelta 对象或 ‘shift_forward’ 或 ‘shift_backwards’ 将这些日期向前或向后移动。
>>> s = pd.to_datetime(pd.Series(['2015-03-29 02:30:00', ... '2015-03-29 03:30:00'], dtype="M8[ns]")) >>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_forward') 0 2015-03-29 03:00:00+02:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]
>>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_backward') 0 2015-03-29 01:59:59.999999999+01:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]
>>> s.dt.tz_localize('Europe/Warsaw', nonexistent=pd.Timedelta('1h')) 0 2015-03-29 03:30:00+02:00 1 2015-03-29 03:30:00+02:00 dtype: datetime64[ns, Europe/Warsaw]