前言
关于Pandas处理时间序列数据我已经有写过两篇处理文章了：
一文速学-Pandas中DataFrame转换为时间格式数据与处理
日常处理一些数据和业务上需求，其实还是十分常用到时序数据的，一些处理方法我感觉都是比较麻烦的，还存在很多方法没有详细说明。于是基于两篇内容之上，再对Pandas的处理时间数据进行深入功能挖掘，一些很好用的方法和处理这两篇文章还是没有覆盖到的。作为查漏补缺这个系列的文章将会把pandas处理时间序列数据的内容都给将完全。
Pandas数据分析系列专栏已经更新了很久了，基本覆盖到使用pandas处理日常业务以及常规的数据分析方方面面的问题。从基础的数据结构逐步入门到处理各类数据以及专业的pandas常用函数讲解都花费了大量时间和心思创作，如果大家有需要从事数据分析或者大数据开发的朋友推荐订阅专栏，将在第一时间学习到Pandas数据分析最实用常用的知识。此篇博客篇幅较长，涉及到数据可视化等各类操作，值得细读实践一番，我会将Pandas的精华部分挑出细讲实践。博主会长期维护博文，有错误或者疑惑可以在评论区指出，感谢大家的支持。
时间/日期范围取值操作
该方法的使用场景和SQL里面的将时间数据进行取时间和日期操作类型，其实Pandas很多功能和SQL里面的函数功能是十分类似的。在SQL：Hive时间日期函数一文详解+代码实例中是：
select year(current_date()); 
其中对应pandas的操作，需要在时序series后面加个dt再.year就可实现：
df_time.times.dt.year 
总可选参数有：
我们拿
该列作为效果演示集合。
| 参数 | 说明 |
| year | 取年份,2022 |
| month | 取月份,11 |
| day | 取天数,14 |
| hour | 取小时,0~23 |
| minute | 取分钟,0~59 |
| second | 取秒数,0~59 |
| microsecond | 取微秒 |
| nanosecond | 取纳秒 |
| date | 取日期,2022-11-14 |
| time | 取时间，00:00:00~23:59:59 |
| timetz | 返回datetime.time作为带有时区信息的本地时间00:00:00~23:59:59 |
| dayofyear | 此年的第几天，第318天，318 |
| day_of_year | 和上述一样，加了_而已 |
| weekofyear | 此年的1第几周，第46周，46 |
| week | 和上述一样 |
| dayofweek | 星期一=0，星期日=6,今日的星期数 |
| day_of_week | 和上述一样 |
| weekday | 和上述一样 |
| quarter | 日期的季度：1月-3月=1，4月-6月=2日。 |
| days_in_month | datetime所在月份的天数，比如11月30天那就是30 |
| is_month_start | 逻辑指示是否为每月的第一天（由频率定义），不是11月1号就是False |
| is_month_end | 逻辑指示是否为每月的最后一天（由频率定义），不是11月30号就是False |
| is_quarter_start | 逻辑指示季度的第一天（由频率定义），不是10月1号就是False |
| is_quarter_end | 逻辑指示季度的最后一天（由频率定义），不是12月30号就是False |
| is_year_start | 逻辑指示一年中的第一天（由频率定义） |
| is_year_end | 逻辑指示是否为一年中的最后一天（由频率定义） |
| is_leap_year | 逻辑指示日期是否属于闰年 |
这里展示几个例子：
df_time.times.dt.is_month_start 
df_time.times.dt.hour 
df_time.times.dt.quarter 
此时的数据类型会变化需要注意.
点关注，防走丢，如有纰漏之处，请留言指教，非常感谢
以上就是本期全部内容。我是fanstuck ，有问题大家随时留言讨论 ，我们下期见