UTC-förskjutningar

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Den här övningen är en del av kursen

Arbeta med datum och tider i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Orkaner (även kallade cykloner eller tyfoner) drabbar den amerikanska delstaten Florida flera gånger per år. I det här kapitlet lär du dig arbeta med datumobjekt i Python, med utgångspunkt i datumen för alla orkaner som drabbat Florida sedan 1950. Du lär dig hur Python hanterar datum, vanliga datumoperationer och hur du formaterar datum på rätt sätt för att undvika förvirring.

Exercise 1: Datum i Python Exercise 2: Vilken veckodag?Exercise 3: Hur många orkaner kommer tidigt?Exercise 4: Matematik med datum Exercise 5: Subtrahera datum Exercise 6: Räkna händelser per kalendermånad Exercise 7: Sortera en lista med datum Exercise 8: Omvandla datum till strängar Exercise 9: Skriv ut datum i ett läsvänligt format Exercise 10: Representera datum på olika sätt

Cykeldelningsprogram har spridit sig till städer över hela världen – och som tur är registreras varje resa! Med data från en enskild cykels alla resor i Washington, D.C., får du öva på att kombinera datum och tider. Du parsar datum och tider från text, analyserar när resorna är som flest, beräknar restider och mycket mer.

Exercise 1: Datum och tider Exercise 2: Skapa datetime-objekt manuellt Exercise 3: Räkna händelser före och efter klockan tolv Exercise 4: Skriva ut och tolka datum och tider Exercise 5: Omvandla strängar till datetime-objekt Exercise 6: Parsa strängpar som datetime-objekt Exercise 7: Återskapa ISO-format med strftime()Exercise 8: Unix-tidsstämplar Exercise 9: Arbeta med varaktigheter Exercise 10: Omvandla par av datetime-objekt till varaktigheter Exercise 11: Genomsnittlig turtid Exercise 12: Varför tid kan vara knepigt – de långa och korta resorna

I det här kapitlet lär du dig hantera det tidsrelaterade ämne som brukar ställa till mest problem: tidszoner och sommartid. Med fortsatt fokus på cykeldata lär du dig jämföra klockor runt om i världen, hantera övergångarna till och från sommartid på ett smidigt sätt, och hämta aktuella tidszonsdata från biblioteket dateutil.

Exercise 1: UTC-förskjutningar

Aktuell övning

Exercise 2: Skapa tidszonmedvetna datetime-objekt Exercise 3: Ange tidszoner Exercise 4: Vilken tid lämnade cykeln i UTC?Exercise 5: Tidszonsdatabas Exercise 6: Placera cykeltresorna i rätt tidszon Exercise 7: Vilken tid lämnade cykeln? (Global upplaga)Exercise 8: Sommartid börjar Exercise 9: Hur många timmar förflöt kring sommartidsbytet?Exercise 10: Den 29 mars, ett decennium i taget Exercise 11: Avslutning av sommartid Exercise 12: Hitta tvetydiga datetime-värden Exercise 13: Rensa sommartidsdata med fold

Som avslutning på kursen tillämpar du allt du lärt dig om datum och tider i vanlig Python – nu i Pandas. Med ytterligare information om varje cykelresa, till exempel vilken station resan startade och slutade vid och om resenären hade ett årskort, kan du göra en djupare analys av cykeldata. I det här kapitlet tar du upp kraftfulla Pandas-operationer, till exempel att gruppera och visualisera resultat över tid.

Exercise 1: Läsa datum- och tidsdata i Pandas Exercise 2: Läsa in en csv-fil i Pandas Exercise 3: Skapa timedelta-kolumner Exercise 4: Sammanfatta datum- och tidsdata i Pandas Exercise 5: Hur många nöjesrundor?Exercise 6: Det börjar bli kallt ute, W20529 Exercise 7: Medlemmar jämfört med tillfälliga cyklister över tid Exercise 8: Kombinera groupby() och resample()Exercise 9: Fler datetime-metoder i Pandas Exercise 10: Tidszoner i Pandas Exercise 11: Hur lång tid per veckodag?Exercise 12: Hur lång tid mellan turerna?Exercise 13: Avslutning