提取年份、月份和星期几
使用 dt 访问器创建特征
提取年份、月份和星期几 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
一个时间戳包含很多信息
一个日期时间值包含年、月、日、小时和星期几。要掌握的技巧，就是将每个部分提取为独立的列以供分析。🧩
认识 dt 访问器
对于日期时间列，dt访问器就是您的入口。它将每个日期部分作为简单属性提供，您可以读取或赋值。
df["date"].dt # gateway to date parts提取年份
提取年份只需一行代码，非常适合将销售或事件按年度分组。
df["year"] = df["date"].dt.year将月份表示为数字
月份属性返回 1 到 12 之间的数字。您可以用它比较不同年份中的同一个月份。
df["month"] = df["date"].dt.month按名称表示月份
数字适合排序，但图表使用名称更易读。使用month_name获取 January、February 等月份名称。
df["date"].dt.month_name() # 'March'星期几
dayofweek属性将星期一记为 0、星期日记为 6。它是所有工作日分析的基础。
df["dow"] = df["date"].dt.dayofweek按名称表示工作日
想要更易读的标签吗？使用day_name将每个日期转换为 Monday、Tuesday 等名称，以便进行清晰的分组。
df["date"].dt.day_name() # 'Friday'识别周末
将 dayofweek 与比较条件结合起来，即可标记周末。这个布尔列可以立即将工作日与休息日分开。
df["weekend"] = df["date"].dt.dayofweek >= 5季度和一年中的第几天
还有两个实用部分：使用quarter进行 Q1 到 Q4 的报告，使用 dayofyear 跟踪日期在一年中的位置。
df["date"].dt.quarter
df["date"].dt.dayofyear小时和分钟也可以提取
如果数据包含时间，dt 访问器还会提供hour和 minute。这让研究活动高峰时段变得十分简单。
df["hour"] = df["date"].dt.hour特征推动分析
提取出的每个部分都可以成为一个特征，用于分组或输入模型。这就是将原始时间戳转化为洞察的方式。
df.groupby(df["date"].dt.month).size()快速检查
您想标记星期六或星期日对应的行。
回顾：拆解任何日期
您使用dt 访问器从时间戳中提取了年份、月份、星期几、季度和小时，并将每一项转换为可用于分组的特征。🗓️
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「提取年份、月份和星期几」课时是免费的吗？
是的 — 「提取年份、月份和星期几」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「提取年份、月份和星期几」这节课中我会学到什么？
使用 dt 访问器创建特征 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「提取年份、月份和星期几」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 将字符串解析为日期时间
- 提取年份、月份和星期几
- 重采样为每日或每月数据
- 时区和日期范围