前两篇内容讲了两个单独的python库函数，今天带大家认识一个常用的工具，pandas.to_datetime()，它是pandas库的一个方法，pandas库想必大家非常熟悉了，这里不再多说。这个方法的实用性在于，当需要批量处理时间数据时，无疑是最好用的。
首先看一下它的主要几个参数，官方文档在本文最后给出
pandas.to_datetime（arg，errors ='raise'，utc = None，format = None，unit = None ）
参数 意义 errors 三种取值，‘ignore’, ‘raise’, ‘coerce’，默认为raise。
'raise'，则无效的解析将引发异常
'coerce'，那么无效解析将被设置为NaT
'ignore'，那么无效的解析将返回输入值
utc
布尔值，默认为none。返回utc即协调世界时。 format 格式化显示时间的格式。 unit 默认值为‘ns’，则将会精确到微妙，‘s'为秒。 官方文档中有几个简单的例子，这里稍微提一下：
1、 df = pd.DataFrame({'year': [2015, 2016], 'month': [2, 3], 'day': [4, 5]}) pd.to_datetime(df) #0 2015-02-04 #1 2016-03-05 #dtype: datetime64[ns] #可以看到将字典形式时间转换为可读时间 2、 pd.to_datetime('13000101', format='%Y%m%d', errors='ignore') #datetime.datetime(1300, 1, 1, 0, 0) pd.to_datetime('13000101', format='%Y%m%d', errors='coerce') #NaT #如果日期不符合时间戳限制，则errors ='ignore'将返回原始输入，而不会报错。 #errors='coerce'将强制超出NaT的日期，返回NaT。
然而实际中遇到的可能是这样的数据：
通过pandas.read_csv()或者pandas.read_excel()读取文件过后，得到的数据列对应的类型是“object”，这样没法对时间数据处理，可以用过pd.to_datetime将该列数据转换为时间类型，即datetime。
data.dtypes # object data= pd.to_datetime(data) data.dtypes # datetime64[ns]转换过后就可以对这些时间数据操作了，可以相减求时间差，计算相差的秒数和天数，调用的方法和datetime库的方法一致，分别是 data.dt.days() 、data.dt.seconds() 、data.dt.total_seconds()。
到这里就结束了吗？ 不不，还没有。这里再教大家通过pandas将时间与时间戳相互转换，原理是一样的通过datetime、time库，技巧是用apply()函数来实现它。
将data的所有时间转换为时间戳（此时数据类型已经是datetime，是object的报错不要找我。。）
data = data.apply(lambda x:time.mktime(x.timetuple())) #x.timetuple()将时间转换为时间元组，提前导入time模块将data的所有时间戳转换为可读时间：
data = data.apply(lambda x:time.strftime('%Y/%m/%d %H:%M:%S',time.localtime(x))) #代码含义为：先读取时间戳数据，将其转换为时间元组，在通过格式化时间转换为可读的时间格式结束了结束了。。
最后奉上官方文档：pandas.to_datetime
