pandas.Series.dt.tz_localize #

系列.dt。tz_localize ( * args , ** kwargs ) [来源] #

将 tz-naive 日期时间数组/索引本地化为 tz-aware 日期时间数组/索引。

此方法采用时区 (tz) 原生日期时间数组/索引对象并使该时区感知。它不会将时间移动到另一个时区。

此方法也可用于执行相反的操作 - 从感知对象创建时区不感知对象。为此，请传递tz=None。

参数：

tz str、pytz.timezone、dateutil.tz.tzfile、datetime.tzinfo 或 None

将时间戳转换为的时区。通过None将删除保留当地时间的时区信息。

不明确的“infer”、“NaT”、布尔数组、默认“raise”

当时钟因夏令时而向后移动时，可能会出现不明确的时间。例如，在中欧时间 (UTC+01) 中，当从 03:00 DST 到 02:00 非 DST 时，当地时间 02:30:00 会出现在 00:30:00 UTC 和 01:30:00世界标准时间。在这种情况下，不明确的参数指示应如何处理不明确的时间。

“infer”将尝试根据订单推断秋季夏令时转换时间
bool-ndarray 其中 True 表示 DST 时间，False 表示非 DST 时间（请注意，此标志仅适用于不明确的时间）
'NaT' 将在存在不明确时间的情况下返回 NaT
如果存在不明确的时间，“raise”将引发 AmbigouslyTimeError。

不存在'shift_forward'、'shift_backward、'NaT'、timedelta、默认 'raise'

不存在的时间不存在于因夏令时而时钟向前移动的特定时区中。

'shift_forward' 会将不存在的时间向前移动到最接近的现有时间
'shift_backward' 会将不存在的时间向后移动到最接近的现有时间
'NaT' 将在不存在的时间处返回 NaT
timedelta 对象将按 timedelta 移动不存在的时间
如果时间不存在，“raise”将引发 NonExistentTimeError。

返回：

与自身类型相同: 数组/索引转换为指定时区。

加薪：

类型错误: 如果日期时间数组/索引是 tz 感知的并且 tz 不是 None。

也可以看看

DatetimeIndex.tz_convert: 将 tz 感知的 DatetimeIndex 从一个时区转换为另一时区。

例子

>>> tz_naive = pd.date_range('2018-03-01 09:00', periods=3)
>>> tz_naive
DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00',
               '2018-03-03 09:00:00'],
              dtype='datetime64[ns]', freq='D')

将 DatetimeIndex 本地化为美国/东部时区：

>>> tz_aware = tz_naive.tz_localize(tz='US/Eastern')
>>> tz_aware
DatetimeIndex(['2018-03-01 09:00:00-05:00',
               '2018-03-02 09:00:00-05:00',
               '2018-03-03 09:00:00-05:00'],
              dtype='datetime64[ns, US/Eastern]', freq=None)

使用tz=None，我们可以删除时区信息，同时保留本地时间（不转换为 UTC）：

>>> tz_aware.tz_localize(None)
DatetimeIndex(['2018-03-01 09:00:00', '2018-03-02 09:00:00',
               '2018-03-03 09:00:00'],
              dtype='datetime64[ns]', freq=None)

请小心 DST 更改。当有连续数据时，pandas 可以推断 DST 时间：

>>> s = pd.to_datetime(pd.Series(['2018-10-28 01:30:00',
...                               '2018-10-28 02:00:00',
...                               '2018-10-28 02:30:00',
...                               '2018-10-28 02:00:00',
...                               '2018-10-28 02:30:00',
...                               '2018-10-28 03:00:00',
...                               '2018-10-28 03:30:00']))
>>> s.dt.tz_localize('CET', ambiguous='infer')
0   2018-10-28 01:30:00+02:00
1   2018-10-28 02:00:00+02:00
2   2018-10-28 02:30:00+02:00
3   2018-10-28 02:00:00+01:00
4   2018-10-28 02:30:00+01:00
5   2018-10-28 03:00:00+01:00
6   2018-10-28 03:30:00+01:00
dtype: datetime64[ns, CET]

在某些情况下，推断夏令时是不可能的。在这种情况下，您可以将 ndarray 传递给不明确的参数以显式设置 DST

>>> s = pd.to_datetime(pd.Series(['2018-10-28 01:20:00',
...                               '2018-10-28 02:36:00',
...                               '2018-10-28 03:46:00']))
>>> s.dt.tz_localize('CET', ambiguous=np.array([True, True, False]))
0   2018-10-28 01:20:00+02:00
1   2018-10-28 02:36:00+02:00
2   2018-10-28 03:46:00+01:00
dtype: datetime64[ns, CET]

如果 DST 转换导致时间不存在，您可以使用 timedelta 对象或'shift_forward' 或'shift_backwards'将这些日期向前或向后移动。

>>> s = pd.to_datetime(pd.Series(['2015-03-29 02:30:00',
...                               '2015-03-29 03:30:00']))
>>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_forward')
0   2015-03-29 03:00:00+02:00
1   2015-03-29 03:30:00+02:00
dtype: datetime64[ns, Europe/Warsaw]

>>> s.dt.tz_localize('Europe/Warsaw', nonexistent='shift_backward')
0   2015-03-29 01:59:59.999999999+01:00
1   2015-03-29 03:30:00+02:00
dtype: datetime64[ns, Europe/Warsaw]

>>> s.dt.tz_localize('Europe/Warsaw', nonexistent=pd.Timedelta('1h'))
0   2015-03-29 03:30:00+02:00
1   2015-03-29 03:30:00+02:00
dtype: datetime64[ns, Europe/Warsaw]