软件测试数据处理神器pandas教程（十）

　　前言
　　之前我们介绍了pandas处理时间以及pandas时间序列的内容，本文我们来介绍pandas处理时间差的有关操作。
　　Timedelta表示时间差（或者时间增量），我们可以使用不同的时间单位来表示它，比如，天、小时、分、秒。时间差的最终的结果可以是正时间差，也可以是负时间差。
　　本文主要介绍创建Timedelta（时间差）的方法以及与时间差相关的运算法则。创建时间差对象通过传递字符串可以创建Timedelta对象，示例如下：importpandasaspdprint（pd。Timedelta（5days23hours50minutes23seconds））输出结果如下：5days23：50：23传递整数值和unit参数也可以创建一个Timedelta对象，示例如下：importpandasaspdprint（pd。Timedelta（7，unith））输出结果如下：0days07：00：00数据偏移量，周（weeks）、天（days）、小时（hours）、分钟（minutes）、秒（milliseconds）、毫秒、微秒、纳秒都可以使用，示例如下：importpandasaspdprint（pd。Timedelta（weeks1，days2，hours6））输出结果如下：9days06：00：00
　　注：周会直接换算成天数，与天数相加，该方法不支持月份作为数据偏移量totimedelta（）
　　使用pd。totimedelta（）方法，将具有timedelta格式的值（标量、数组、列表或Series）转换为Timedelta类型。如果输入是Series，则返回Series；如果输入是标量，则返回值也为标量，其他情况输出TimedeltaIndex。示例如下：importpandasaspdimportnumpyasnpprint（pd。totimedelta（〔1days06：05：01。00003，15。5us，nan〕））print（pd。totimedelta（np。arange（5），units））输出结果如下：TimedeltaIndex（〔1days06：05：01。000030，0days00：00：00。000015500，NaT〕，dtypetimedelta64〔ns〕，freqNone）TimedeltaIndex（〔0days00：00：00，0days00：00：01，0days00：00：02，0days00：00：03，0days00：00：04〕，dtypetimedelta64〔ns〕，freqNone）算术操作
　　对datetime64〔ns〕类型的时间序列或时间戳做算术运算，其运算结果依然是datetime64〔ns〕数据类型。接下来，我们创建一个带有Timedelta与datetime的DataFrame对象，并对其做一些算术运算。
　　示例代码如下：importpandasaspdspd。Series（pd。daterange（2023323，periods5，freqD））推导式用法tdpd。Series（〔pd。Timedelta（daysi）foriinrange（5）〕）dfpd。DataFrame（dict（As，Btd））print（df）输出结果如下：AB0202303230days1202303241days2202303252days3202303263days4202303274days加法运算importpandasaspdspd。Series（pd。daterange（2023320，periods3，freqD））tdpd。Series（〔pd。Timedelta（daysi）foriinrange（3）〕）dfpd。DataFrame（dict（As，Btd））加法运算df〔C〕df〔A〕df〔B〕print（df）输出结果如下：ABC0202303200days202303201202303211days202303222202303222days20230324减法运算importpandasaspdspd。Series（pd。daterange（2023320，periods3，freqD））tdpd。Series（〔pd。Timedelta（daysi）foriinrange（3）〕）dfpd。DataFrame（dict（As，Btd））df〔C〕df〔A〕df〔B〕df〔D〕df〔C〕df〔B〕print（df）输出结果如下：ABCD0202303200days20230320202303201202303211days20230322202303212202303222days2023032420230322总结
　　本文主要介绍了pandas对于时间差的处理，与datetime的处理相比，pandas对于时间差的处理更加方便直接，后续我们将继续介绍pandas对字符串的处理。