pandas.TimedeltaIndex.round # 时间增量索引。round ( * args , ** kwargs ) [来源] # 对数据执行舍入操作到指定的频率。 参数: 频率str 或偏移量将索引舍入到的频率级别。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 如果时间戳有时区,则将相对于本地(“wall”)时间进行舍入,并重新本地化到同一时区。当接近夏令时时舍入时,使用nonexistent和ambiguous来控制重新定位行为。 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.round('h') DatetimeIndex(['2018-01-01 12:00:00', '2018-01-01 12:00:00', '2018-01-01 12:00:00'], dtype='datetime64[ns]', freq=None) 系列 >>> pd.Series(rng).dt.round("h") 0 2018-01-01 12:00:00 1 2018-01-01 12:00:00 2 2018-01-01 12:00:00 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 03:30:00"], tz="Europe/Amsterdam") >>> rng_tz.floor("2h", ambiguous=False) DatetimeIndex(['2021-10-31 02:00:00+01:00'], dtype='datetime64[ns, Europe/Amsterdam]', freq=None) >>> rng_tz.floor("2h", ambiguous=True) DatetimeIndex(['2021-10-31 02:00:00+02:00'], dtype='datetime64[ns, Europe/Amsterdam]', freq=None)