如何在 Python 3 的 dateutil 解析器中解析超过 24 小时的日期？答案

【问题标题】：How do I parse dates with more than 24 hours in dateutil's parser in Python 3?如何在 Python 3 的 dateutil 解析器中解析超过 24 小时的日期？
【发布时间】：2014-06-26 14:01:09
【问题描述】：

我目前在一个类似“27:32:18”的专栏中有很多次，这意味着有人在等待 27 小时 32 分 18 秒。每当我尝试解析这些值时，我都会不断收到“ValueError：小时必须在 0..23”。

我应该如何解析这些值或将它们转换为更标准的格式？我尝试了以下作为对单个值的测试：

time1 = "56:42:12"
time2 = time1.split(':')
time2 = [int(n) for n in time2]
time2.insert(0, time2[0] // 24)
time2[1] %= 24

此时time2是一个由[2, 8, 42, 12]组成的列表，相当于2天8小时42分12秒。我将如何以允许 Python 解析它的方式将其转换为以天、小时、分钟和秒为单位的 Python 日期时间表示？请注意，我最终将对这些时间值（代表等待时间）进行无监督聚类。

【问题讨论】：

那是不是日期。 持续时间是完全不同的野兽。
一个python datetime对象只能用来表示一个特定的时间点；例如1889 年 7 月 31 日。持续时间以 timedelta() 对象表示。
一个区间需要有一个引用，它是一个增量。只说“2 天 8 小时 42 分钟”而不指定 since 部分，会使 date 部分变得困难。如果您只想计算持续时间，这（就像 Martijn 所说）是另一回事。
谢谢！所以使用时间增量而不是日期时间。

标签： python parsing datetime python-3.x

【解决方案1】：

你没有一个日期，你有一个持续时间。这可能与日期和时间戳有关，但只是涉及相同的时间单位，并且显示方式与时间戳相似。

因此，您不能使用dateutil 来解析此类值。拆分和解析自己很容易：

hours, minutes, seconds = map(int, time1.split(':'))

然后您可以使用datetime.timedelta() 对象来表示持续时间：

td = datetime.timedelta(hours=hours, minutes=minutes, seconds=seconds)

然后，这将以天、秒和微秒为单位跟踪增量：

>>> import datetime
>>> time1 = "56:42:12"
>>> hours, minutes, seconds = map(int, time1.split(':'))
>>> datetime.timedelta(hours=hours, minutes=minutes, seconds=seconds)
datetime.timedelta(2, 31332)

【讨论】：

谢谢！尽管无论出于何种原因，它都不允许我实际更改存储的值。我有以下 for 循环。请注意它是 Pandas 代码：对于 df.elapsed_time 中的时间：小时、分钟、秒 = map(int, time.split(':')) time = timedelta(hours=hours, minutes=minutes, seconds=seconds)
为什么需要更改存储的值？你想改变什么价值观？
我需要更改存储的值，以便对急诊室患者的等待时间进行数据分析。还有其他相关的患者信息，因此我需要将更新的值放在我正在使用的大型数据框中。我正在尝试将像“54:23:45”这样存储的值转换为像 (2, 31332) 这样的时间增量，这样我最终可以在 scikit-learn 中进行一些聚类。
嗨@BrandonSherman，您可以使用df['elapsed_time_new'] = pd.to_timedelta(df.elapsed_time) 在您的DataFrame 中创建一个新列，其中将包含timedelta 对象，您可以根据分析需要对其进行操作。 to_timedelta 的文档可以在 here 找到。请注意，这些对象被分解为天、小时、分钟、秒，因此您可能需要进一步的工作才能将其分解为您似乎想要的（天、秒）。
这真的很不幸 :( 你可以做的是编写一个函数（我们称之为convert 以保持简短），它接受你的一个字符串，然后转换它并返回一个@987654332 @对象然后你可以做df['elapsed_time_new'] = df['elapsed_time'].apply(convert)，它会将你的convert函数应用于你列中的每个字符串并将它放在你的新列中。您可能可以使用Martijn在上面的回答中给出的方法来编写这样一个功能。