pandas.TimedeltaIndex.ceil #

时间增量索引。ceil ( * args , ** kwargs ) [来源] #

对数据执行 ceil 操作到指定的freq。

参数：

频率str 或偏移量

索引上限的频率级别。必须是固定频率，例如“S”（秒）而不是“ME”（月末）。请参阅频率别名以获取可能的频率值列表。

不明确的'infer'、bool-ndarray、'NaT'、默认 'raise'

仅与 DatetimeIndex 相关：

“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：

日期时间索引、时间增量索引或系列: DatetimeIndex 或 TimedeltaIndex 具有相同类型的索引，或者 Series 具有相同索引的 Series。

加薪：

如果频率无法转换，则出现 ValueError 。

笔记

如果时间戳具有时区，则上限将相对于本地（“墙壁”）时间进行，并重新本地化到同一时区。当上限接近夏令时时，使用nonexistent控制ambiguous重新定位行为。

例子

日期时间索引

>>> rng = pd.date_range('1/1/2018 11:59:00', periods=3, freq='min')
>>> rng
DatetimeIndex(['2018-01-01 11:59:00', '2018-01-01 12:00:00',
               '2018-01-01 12:01:00'],
              dtype='datetime64[ns]', freq='min')
>>> rng.ceil('h')
DatetimeIndex(['2018-01-01 12:00:00', '2018-01-01 12:00:00',
               '2018-01-01 13:00:00'],
              dtype='datetime64[ns]', freq=None)

系列

>>> pd.Series(rng).dt.ceil("h")
0   2018-01-01 12:00:00
1   2018-01-01 12:00:00
2   2018-01-01 13:00:00
dtype: datetime64[ns]

在夏令时转换附近舍入时，使用ambiguous或 nonexistent来控制时间戳应如何重新本地化。

>>> rng_tz = pd.DatetimeIndex(["2021-10-31 01:30:00"], tz="Europe/Amsterdam")

>>> rng_tz.ceil("h", ambiguous=False)
DatetimeIndex(['2021-10-31 02:00:00+01:00'],
              dtype='datetime64[ns, Europe/Amsterdam]', freq=None)

>>> rng_tz.ceil("h", ambiguous=True)
DatetimeIndex(['2021-10-31 02:00:00+02:00'],
              dtype='datetime64[ns, Europe/Amsterdam]', freq=None)