日期或时间，是我们生活中常见的数据类型之一，本文将向大家介绍对于时间类型数据的生成、转换等以及时间数据序列的一系列处理方法。
通过 datetime 库中的 datetime 函数，我们可以很容易地构建一个时间类型的数据：
datetime.datetime(2015, 7, 4, 0, 0)
同时我们还可以运用 dateutil 库中的 parser 函数，来将字符串中常见的时间形式解析出来：datetime.datetime(2015, 7, 4, 0, 0)
strftime 用于调整时间的格式，其具体用法为在输入中加上对应的时间日期格式化符号：
'Saturday'
Python中的有关时间日期格式化符号如下所示：%y 两位数的年份表示（00-99）%Y 四位数的年份表示（000-9999）%m 月份（01-12）%d 月内中的一天（0-31）%H 24小时制小时数（0-23）%I 12小时制小时数（01-12）%M 分钟数（00=59）%S 秒（00-59）%a 本地简化星期名称%A 本地完整星期名称%b 本地简化的月份名称%B 本地完整的月份名称%c 本地相应的日期表示和时间表示%j 年内的一天（001-366）%p 本地A.M.或P.M.的等价符%U 一年中的星期数（00-53）星期天为星期的开始%w 星期（0-6），星期天为星期的开始%W 一年中的星期数（00-53）星期一为星期的开始%x 本地相应的日期表示%X 本地相应的时间表示%Z 当前时区的名称%% %号本身
接下来，我们来看一下 Numpy 序列中时间类型数据的构建办法，通过调整 dtype 参数，我们可以构建一个带有时间类型数据的 Numpy 序列：
array(datetime.date(2015, 7, 4), dtype='datetime64[D]')
通过与其他序列相加，我们可以对序列包含的时间范围进行扩展：

这里需要说明的是，Numpy 的 datetime64 函数能够将几种既定格式的字符串转换为时间类型数据，我们也可以通过设置参数的形式来控制其精确位数：
numpy.datetime64('2015-07-04')
numpy.datetime64('2015-07-04T12:00')
numpy.datetime64('2015-07-04T12:59:59.500000000')
以上内容转自 数析学院，原文后续还有pandas库时间数据处理方法以及时间数据处理实例，有需要的同学可以直接查看原文