今天又是数据分析的一天。

今天要是分析费用报销流程用时情况。碰到的第一个问题是对原用时字段列的重命名。我记得应该是用 rename，方法， 于是去查了一下相关资料。

df.rename (index = index_mapper, columns = columns_mapper)

例： df.rename (columns = {old.name : new.name}）

其中的 mapper 是一个字典型数据， mapper 中文为映射，挺稀奇，因为我之前还没用过字典型参数呢。

同时我还意外发现，除了用。axis 的值除了可以填 0 或者 1,用 "columns" 和 ”index"也可以。其中用 “columns” 时，代表生成计算列，"index" 代表生成计算行，挺好的，这个很直观。

接下来是关于 pandas 中的一些时间计算。pandas 中的时间数据类型主要是两种：datetime 和 timedelta。

首先是 date time 类型，pandas 针对 datetime 有很多便捷操作，但在了解这些之前我还是先

了解下如何把数据转化为 date time 类型。通过查阅资料我发现，可以用 Pd.to_datetime() 的方法将数据转为 date time 类型。在这个方法里，pandas 能智能识别所给数据的日期格式，但是如果所给数据的日期格式比较罕见，就要自己设置 format 参数，告诉 pandas 正确的时间格式，相关参数包括

年，月，日：%Y，% m，%d

时，分，秒：%H，%M，%S

例： "%Y-%m-%d：%H%M%S"，代表 年-月-日：时-分-秒 的格式。

一旦转化成功，pandas 对 datetime 的运用方式是很多的。当 index 为 datetimes 类型时，可以进行时间索­引： [“year-month-day_1"："Year_month_day_2"]

当 values 为 date_times 类型时，可以用 dt 接口进­行时间计算。这里在调用 dt 接口时有一点容易忽略，就是要记得像 dt，str 这种接口是针对 Series 使用的，并非针对 DataFrame 使用的。随后我查到了一些 dt 的使用方法。

提取年月日： dt.year，dt.month, dt.day

提取时分秒： dt.hour，dt.minute，dt.second

星期（数字版）： dt.weekday （周一为 0）

星期（文字版）：dt.day_name() （周一为 Monday）

季度： dt.quarter

转为格式化字符：dt.strftime()

然后是 timedelta 类型。

timedelta 是两个 datetime 的差额，获取 timedelta 有两种方式，一是用两个 datetime 相减，二是直接构造，构造代码是 

pd.to_timedelta (data, unit: None)

to_timedelta 方法没有 to_datetime，那么方便，每一次都需要人工指定 data 的时间间隔单位。常用单位是

D/day， H/hour，minute，second 等

构造好 timedelta 之后，在后续代码中可以对它进行提取计算，目前我所掌握的就两种方法：

Series. dt.days

Series.dt.total_seconds(）

今天的数据分析工作就到这里了，主要是 pandas 时间数据的一些处理方式，以及 df 列的映射重命名方式。

此外今天还有一个小发现，就是在使用 Jupiter Notebook 敲代码的时候，可以按 Tab 键进行联想补全，可以补全方法和变量名， 以后多试试用几次吧，看看好不好用。

ok，休息去

（图片来自于互联网：图片来源）