Basic

pd.__version__

import pandas as pd

# 1차원 리스트에서 생성 stock = [94500, 92100, 92200, 92300] # 데이터프레임 만들기 df = pd.DataFrame(data=stock) # 확인 df.head()

# 2차원 리스트에서 생성 stock = [[94500, 92100, 92200, 92300], [96500, 93200, 95900, 94300], [93400, 91900, 93400, 92100], [94200, 92100, 94100, 92400], [94500, 92500, 94300, 92600]] # 데이터프레임 만들기 df = pd.DataFrame(stock) # 확인 df.head()

# 데이터프레임만들 때 컬럼, 인덱스 이름 설정하기 stock = [[94500, 92100, 92200, 92300], [96500, 93200, 95900, 94300], [93400, 91900, 93400, 92100], [94200, 92100, 94100, 92400], [94500, 92500, 94300, 92600]] dates = ['2019-02-15', '2019-02-16', '2019-02-17', '2019-02-18', '2019-02-19'] names = ['High', 'Low', 'Open', 'Close'] # 데이터프레임 만들기 df = pd.DataFrame(stock, columns=names, index=dates) # 확인 df.head()

# 딕셔너리에서 데이터프레임 만들기 # 키 -> 열 이름 cust = {'Name': ['Gildong', 'Sarang', 'Jiemae', 'Yeoin'], 'Level': ['Gold', 'Bronze', 'Silver', 'Gold'], 'Score': [56000, 23000, 44000, 52000]} df = pd.DataFrame(cust) # 확인 df.head()

# 인덱스 설정하기 cust = {'Name': ['Gildong', 'Sarang', 'Jiemae', 'Yeoin'], 'Level': ['Gold', 'Bronze', 'Silver', 'Gold'], 'Score': [56000, 23000, 44000, 52000]} # 데이터프레임 만들기(인덱스 지정함) df = pd.DataFrame(cust, index=['C1','C2','C3','C4']) # 확인 df.head()

# 데이터프레임에서 한 열만 가져오면 시리즈가 된다. display(tip['smoker'])

# 행 수, 열 수 확인 df.shape # 인덱스 확인 df.index # 데이터 값 확인 df.values # 열 확인 df.columns # 열 자료형 확인 df.dtypes # 열 자료형, 값 개수, 결측치 확인하기 df.info() # 열 기술통계 df.describe() # 수치형 변수만 통계 df.describe().T df.describe(include='object') # 문자형 변수만 통계 -> count / unique / top / freq df.describe(include='all') # 모든 변수 통계 # 범주형 변수 고윳값 개수 확인하기 df['smoker'].value_counts() df['smoker'].value_counts(normalize=True) # 비율로 표현하기 # 최빈값 확인하기 df['day'].mode()[0]

cols = ['beer_servings', 'continent'] small_drinks = pd.read_csv('http://bit.ly/drinksbycountry', usecols=cols)

dtypes = {'continent':'category'} smaller_drinks = pd.read_csv('http://bit.ly/drinksbycountry', usecols=cols, dtype=dtypes)

df = pd.DataFrame([[15,'남','덕영중'],[17,'여','수리중']], index=['준서','예은'], columns=['나이','성별','학교']) # 인덱스만 추출하기 print(df.index) # 열 이름 추출하기 print(df.columns)

df = pd.DataFrame([[15,'남','덕영중'],[17,'여','수리중']], index=['준서','예은'], columns=['나이','성별','학교']) # 열 이름 중, '나이'를 '연령'으로, '성별'을 '남녀'로, '학교'를 '소속'으로 바꾸기(rename 사용) df.rename(columns={'나이':'연령','성별':'나이','학교':'소속'},inplace=True) # df의 행 인덱스 중에서 '준서'를 '학생1'으로, '예은'을 '학생2'로 바꾸기 df.rename(index={'준서':'학생1','예은':'학생2'}, inplace=True)

# 먼저 행 데이터부터 삭제해보겠다. # DataFrame() 함수로 데이터프레임 변환. 변수 df에 저장 exam_data = {'수학':[90,80,70], '영어':[98,89,95], '음악':[85,95,100],'체육':[100,90,90]} df = pd.DataFrame(exam_data, index=['서준','우현','인아']) # 데이터프레임 df를 복제해서 변수 df2에 저장. df2의 1개 행 삭제 df2 = df[:] df2.drop('우현',inplace=True) # 데이터프레임 df를 복제해서 변수 df3에 저장. df3의 2개 행 삭제 df3 = df[:] df3.drop(['우현','인아'],inplace=True) # df3.drop에 inplace=True라고 입력하는 대신 df3 = df3.drop()라고 해도 결과는 같다. # 이제 열 데이터를 삭제해보겠다. # 데이터프레임 df를 복제해서 df4와 df5를 만들고 진행한다. df4 = df[:] df5 = df[:] df4.drop('수학', axis=1, inplace=True) df5.drop(['영어','음악'],axis=1,inplace=True)

# total_bill 열 조회 tip.loc[:,['total_bill']] # tip[['total_bill']]

# tip, total_bill 열 조회 tip[['tip','total_bill']]

# 인덱스 5번까지 조회 tip.loc[:5,]

# sex ~ time 열 조회 tip.loc[:,'sex':'time'] # 행 인덱스 4번까지, 모든 열 조회 tip.loc[:4,:]

tip.iloc[:,2:6] # 모든 행, 3열 ~ 6열의 데이터 tip[5:15] # 위치인덱스 5 ~ 14에 해당하는 행 추출

# tip 열 값이 6.0보다 큰 행 조회 tip.loc[tip['tip'] > 6.0] # tip[tip['tip'] > 6.0] # 변수 = 조건 con = tip['tip'] > 6.0 tip.loc[con] # 또는 tip[con] # and 로 여러 조건 tip.loc[(tip['tip'] > 6.0) & (tip['day'] == 'Sat')] # 또는 tip[(tip['tip'] > 6.0) & (tip['day'] == 'Sat')] # or로 여러 조건 con1 = tip['tip'] > 6.0 con2 = tip['day'] == 'Sat' tip.loc[con1 | con2] # tip[con1 | con2] # isin 메서드 # day가 Sat 또는 Sun tip.loc[tip['day'].isin(['Sat','Sum'])] # tip[tip['day'].isin(['Sat','Sum'])] # between 메서드 # 범위 지정 ( 1 <= size <= 3) tip.loc[tip['size'].between(1,3)] # tip[tip['size'].between(1,3)]

# '수학' 점수 데이터만 선택. 변수 math1에 저장 math1 = df['수학'] print(math1) print(type(math1)) print('\n') 서준 90 우현 80 인아 70 Name: 수학, dtype: int64 <class 'pandas.core.series.Series'> # '영어' 점수 데이터만 선택. 변수 english에 저장 english = df.영어 print(english) print(type(english)) 서준 98 우현 89 인아 95 Name: 영어, dtype: int64 <class 'pandas.core.series.Series'>

# 이제, 2개 이상의 열을 추출하는 방법을 해보자. # '음악','체육' 점수 데이터를 선택. 변수 music_gym에 저장 music_gym = df[['음악','체육']] print(music_gym) print(type(music_gym)) print('\n') 음악 체육 서준 85 100 우현 95 90 인아 100 90 <class 'pandas.core.frame.DataFrame'> # '수학' 점수 데이터만 선택. 변수 math2에 저장 math2 = df[['수학']] print(math2) print(type(math2)) 수학 서준 90 우현 80 인아 70 <class 'pandas.core.frame.DataFrame'>

# df의 모든 행에 대해서 0행부터 2행 간격으로 선택하려면 다음과 같이 한다. df.iloc[::2] 수학 영어 음악 체육 서준 90 98 85 100 인아 70 95 100 90 # 0행부터 2행까지 2행간격으로 선택하려면 다음과 같이 한다. df.iloc[0:3:2] 수학 영어 음악 체육 서준 90 98 85 100 인아 70 95 100 90 # 역순으로 인덱싱하려면 간격에 '-' 부호를 붙인다. 모든 행을 역순으로 정렬은 다음과 같이 한다. df.iloc[::-1]

# DataFrame() 함수로 데이터프레임 변환. 변수 df에 저장 exam_data = {'이름':['서준','우현','인아'], '수학':[90,80,70], '영어':[98,89,95], '음악':[85,95,100], '체육':[100,90,90]} df = pd.DataFrame(exam_data) # '이름' 열을 새로운 행 인덱스로 지정하고, df객체에 변경 사항 반영 df.set_index('이름', inplace=True) print(df) 수학 영어 음악 체육 이름 서준 90 98 85 100 우현 80 89 95 90 인아 70 95 100 90 # df의 특정 원소 1개 선택('서준'의 '음악' 점수) a = df.loc['서준','음악'] print(a) b = df.iloc[0,2] print(b) 85 85 # df의 특정 원소 2개 이상 선택('서준'의 '음악','체육' 점수) c = df.loc['서준',['음악','체육']] print(c) d = df.iloc[0,2:] print(d) e = df.loc['서준','음악':'체육'] print(e) f = df.iloc[0,[2,3]] print(f) # 모두 아래의 결과와 같다. 음악 85 체육 100 Name: 서준, dtype: int64 # 행 인덱스와 열 이름을 각각 2개 이상 선택하여 데이터프레임 얻기 # df 2개 이상의 행과 열에 속하는 원소 선택('서준','우현'의 '음악','체육' 점수) g = df.loc[['서준','우현'],['음악','체육']] print(g) h = df.iloc[[0,1],[2,3]] print(h) i = df.loc['서준':'우현', '음악':'체육'] print(i) j = df.iloc[0:2,2:] print(j) # 모두 아래의 결과와 같다. 음악 체육 이름 서준 85 100 우현 95 90 # 이외에도 열을 선택하는 다양한 방법이 있다. df.loc[:, ['음악','체육']] # 모든 행에 대해 '음악'과 '체육' 열 추출 df.iloc[:,[2,3]] # 위와 같은 결과 df.iloc[:,2:4] # 슬라이싱으로 추출. # 모두 아래의 결과와 같다. 음악 체육 이름 서준 85 100 우현 95 90 인아 100 90

# 데이터프레임 df에 '국어'점수 열 추가. 데이터 값은 80으로 지정 df['국어'] = 80 print(df) 수학 영어 음악 체육 국어 이름 서준 90 98 85 100 80 우현 80 89 95 90 80 인아 70 95 100 90 80

print(df) 수학 영어 음악 체육 국어 이름 서준 90 98 85 100 80 우현 80 89 95 90 80 인아 70 95 100 90 80 # 새로운 행 추가 - 같은 원소 값 입력 df.loc[3]=0 print(df) 수학 영어 음악 체육 국어 이름 서준 90 98 85 100 80 우현 80 89 95 90 80 인아 70 95 100 90 80 3 0 0 0 0 0 # 새로운 행 추가 - 원소 값 여러 개의 배열 입력 df.loc[4] = ['동규',90,80,70,60] print(df) 수학 영어 음악 체육 국어 이름 서준 90 98 85 100 80 우현 80 89 95 90 80 인아 70 95 100 90 80 3 0 0 0 0 0 4 동규 90 80 70 60 # 새로운 행 추가 - 기존 행 복사 df.loc['행5'] = df.loc[3] 수학 영어 음악 체육 국어 이름 서준 90 98 85 100 80 우현 80 89 95 90 80 인아 70 95 100 90 80 3 0 0 0 0 0 4 동규 90 80 70 60 행5 0 0 0 0 0

# 원소 값 변경 # 데이터프레임의 특정 원소를 선택하고 새로운 값을 지정해주면 원소값이 변경 # 당연히 하나의 원소를 바꿀수도 여러 개의 원소를 바꿀 수도 있다. # 원소 선택은 데이터프레임의 인덱싱과 슬라이싱 방법을 사용하면 된다. # '서준' 학생의 '체육' 점수를 선택하는 여러 방법을 시도해 본다. # 비교하기 위해 각기 다른 점수를 새로운 값으로 입력하여 변경한다. # '이름' 열을 새로운 인덱스로 지정하고, df 객체에 변경사항 반영 df.set_index('이름',inplace=True) print(df) 수학 영어 음악 체육 이름 서준 90 98 85 100 우현 80 89 95 90 인아 70 95 100 90 # '서준'의 '체육' 점수 변경 df.iloc[0,3] = 80 print(df) 수학 영어 음악 체육 이름 서준 90 98 85 80 우현 80 89 95 90 인아 70 95 100 90 # 위와 같은 방식 df.iloc[0][3]=80 df.loc['서준']['체육']=80 # 또는 df.loc['서준','체육']=80 # 데이터프레임 df의 원소 여러 개를 변경하는 방법 : '서준'의 '음악','체육' 점수 df.loc['서준',['음악','체육']] = 50 print(df) 수학 영어 음악 체육 이름 서준 90 98 50 50 우현 80 89 95 90 인아 70 95 100 90 df.loc['서준',['음악','체육']]=100,50 # 각 다른 값으로 변경 print(df) 수학 영어 음악 체육 이름 서준 90 98 100 50 우현 80 89 95 90 인아 70 95 100 90

# Male -> 1, Female -> 0 tip['sex'] = tip['sex'].map({'Female':0, 'Male':1})

# 1 --> Male, 0 --> Female tip['sex'] = tip['sex'].replace({1: 'Male', 0: 'Female'})

# df를 전치하기(메소드 활용) print(df) df = df.transpose() print(df) 수학 영어 음악 체육 이름 서준 90 98 100 50 우현 80 89 95 90 인아 70 95 100 90 이름 서준 우현 인아 수학 90 80 70 영어 98 89 95 음악 100 95 100 체육 50 90 90 # 다시 전치시키기(클래스 속성 활용) df = df.T print(df) 수학 영어 음악 체육 이름 서준 90 98 100 50 우현 80 89 95 90 인아 70 95 100 90

df.dtypes

# 수치형 변수들만 확인 (정수 + 실수형 변수 모두 출력) df.select_dtypes(include='number') # 문자형 변수만 확인 df.select_dtypes(include='object') # multiple 변수 타입 모두 포함 df.select_dtypes(include=['number','object','category','datetime']) # 특정 데이터 타입 제외하고 출력 df.select_dtypes(exclude='number')

df.astype({'col_one':'float', 'col_two':'float'})

# coerce 는 error 가 발생하는 곳에 NaN 값으로 대체한다 pd.to_numeric(df.col_three, errors='coerce') # 이후에 fillna() 를 이용해서 결측치에 적절한 값을 채워넣는다. pd.to_numeric(df.col_three, errors='coerce').fillna(0) # apply 함수를 이용해서 모든 변수에 적용할 수 있음 df = df.apply(pd.to_numeric, errors='coerce').fillna(0)

# 데이터프레임 df의 '이름'열을 행 인덱스로 설정하면 새로운 데이터프레임이 만들어진다. ndf = df.set_index(['이름']) # df.set_index('이름') print(ndf) 수학 영어 음악 체육 이름 서준 90 98 85 100 우현 80 89 95 90 인아 70 95 100 90 # 인덱스로 설정할 때 두개의 열을 행 인덱스로 지정할 수도 있다.이를 멀티인덱스라고 한다. ndf3 = ndf.set_index(['수학','음악']) print(ndf3) 영어 체육 수학 음악 90 85 98 100 80 95 89 90 70 100 95 90

df.index.name = None

dict_data = {'c0':[1,2,3], 'c1':[4,5,6],'c2':[7,8,9],'c3':[10,11,12],'c4':[13,14,15]} # 딕셔너리를 데이터프레임으로 변환. 인덱스를 [r0, r1, r2]로 지정 df = pd.DataFrame(dict_data, index=['r0','r1','r2']) print(df) c0 c1 c2 c3 c4 r0 1 4 7 10 13 r1 2 5 8 11 14 r2 3 6 9 12 15 # 인덱스를 [r0,r1,r2,r3,r4] 로 재지정 new_index = ['r0','r1','r2','r3','r4'] ndf = df.reindex(new_index) print(ndf) c0 c1 c2 c3 c4 r0 1.0 4.0 7.0 10.0 13.0 r1 2.0 5.0 8.0 11.0 14.0 r2 3.0 6.0 9.0 12.0 15.0 r3 NaN NaN NaN NaN NaN r4 NaN NaN NaN NaN NaN # reindx로 발생한 NaN 값을 숫자 0으로 채우기 (fill_value 옵션 사용) ndf2 = df.reindex(new_index,fill_value=0) print(ndf2) c0 c1 c2 c3 c4 r0 1 4 7 10 13 r1 2 5 8 11 14 r2 3 6 9 12 15 r3 0 0 0 0 0 r4 0 0 0 0 0

print(df) c0 c1 c2 c3 c4 r0 1 4 7 10 13 r1 2 5 8 11 14 r2 3 6 9 12 15 # 행 인덱스를 정수형으로 초기화 # 기존 인덱스가 열로 이동 ndf = df.reset_index() # drop=False(default) print(ndf) index c0 c1 c2 c3 c4 0 r0 1 4 7 10 13 1 r1 2 5 8 11 14 2 r2 3 6 9 12 15 # 인덱스를 초기화한 뒤, 기존 인덱스는 제거 ndf2 = df.reset_index(drop=True) print(ndf2) index c0 c1 c2 c3 c4 0 1 4 7 10 13 1 2 5 8 11 14 2 3 6 9 12 15 # index 라는 이름의 열을 적절하게 변경한다. ndf2.rename(columns={'index':'변수1'}, inplace=True) 변수1 c0 c1 c2 c3 c4 0 1 4 7 10 13 1 2 5 8 11 14 2 3 6 9 12 15

ndf = df.sort_index(ascending=False) print(ndf) c0 c1 c2 c3 c4 r2 3 6 9 12 15 r1 2 5 8 11 14 r0 1 4 7 10 13

# c1 열을 기준으로 내림차순 정렬 ndf = df.sort_values('c1',ascending=False) print(ndf) c0 c1 c2 c3 c4 r2 3 6 9 12 15 r1 2 5 8 11 14 r0 1 4 7 10 13 # 복합 열 정렬 tip.sort_values(['total_bill','tip']) # 복합 열에 대해 다르게 정렬 tip.sort_values(['total_bill','tip'], ascending=[False,True])

df.loc[::-1] # reverse한 뒤, 행 인덱스 재설정해주기 df.loc[::-1].reset_index(drop=True)

df.loc[:,::-1]

# 데이터를 읽어들일 때 인덱스 설정 # 기존 열 중 하나를 인덱스로 설정 temp = pd.read_csv(path, index_col='month')

# 데이터를 읽어들인 후, 인덱스 설정 df.set_index('year', inplace=True)

# 딕셔너리 데이터로 판다스 시리즈 만들기 student1 = pd.Series({'국어':100,'영어':80, '수학':90}) print(student1) 국어 100 영어 80 수학 90 dtype: int64 # 학생의 과목별 점수를 200으로 나누기 percentage = student1/200 print(percentage) 국어 0.50 영어 0.40 수학 0.45 print(type(percentage)) <class 'pandas.core.series.Series'>

# 딕셔너리 데이터로 판다스 시리즈 만들기 student1 = pd.Series({'국어':100,'영어':80,'수학':90}) student2 = pd.Series({'수학':80,'국어':90,'영어':80}) print(student1) 국어 100 영어 80 수학 90 dtype: int64 print(student2) 수학 80 국어 90 영어 80 dtype: int64 # 두 학생의 과목별 점수로 사칙연산 수행 addition = student1 + student2 # 덧셈 substraction = student1 - student2 # 뺄셈 multiplication = student1 * student2 # 곱셈 division = student1 / student2 # 나눗셈 print(type(division)) <class 'pandas.core.series.Series'> # 사칙연산 결과를 데이터프레임으로 합치기(시리즈 -> 데이터프레임) result = pd.DataFrame([addition,substraction,multiplication,division], index=['덧셈','뺄셈','곱셈','나눗셈']) print(result) 국어 수학 영어 덧셈 190.000000 170.000 160.0 뺄셈 10.000000 10.000 0.0 곱셈 9000.000000 7200.000 6400.0 나눗셈 1.111111 1.125 1.0 # 물론 두 시리즈는 인덱스의 순서가 다르지만 판다스는 같은 인덱스를 알아서 찾아 # 정렬하고 같은 인덱스의 데이터값끼리 사칙연산을 수행한다. # 문제는 두 시리즈의 원소 개수가 다를수도, 원소의 개수는 같지만 인덱스 값이 다를 수 있다. # 이럴 경우에는 정상적으로 연산을 수행할 수 없다. NaN 으로 출력한다. # 인덱스도 동일하고 원소의 개수가 같아도 값에 NaN이 있는 경우 연산을 수행하면 NaN이 출력된다. # numpy 라이브러리를 불러온다. nan 값을 만들기 위해 import numpy as np # 딕셔너리 데이터로 판다스 시리즈 만들기 student1 = pd.Series({'국어':np.nan,'영어':80,'수학':90}) student2 = pd.Series({'수학':80,'국어':90}) # 두 시리즈객체는 원소의 개수도 다르고 인덱스도 완전히 같지는 않다. print(student1) 국어 NaN 영어 80.0 수학 90.0 dtype: float64 print(student2) 수학 80 국어 90 dtype: int64 # 두 학생의 과목별 점수로 사칙연산 수행(시리즈 vs 시리즈) addition = student1 + student2 # 덧셈 substraction = student1 - student2 # 뺄셈 multiplication = student1 * student2 # 곱셈 division = student1 / student2 # 나눗셈 print(type(division)) <class 'pandas.core.series.Series'> # 사칙연산의 결과를 데이터프레임으로 합치기(시리즈 -> 데이터프레임) result = pd.DataFrame([addition,substraction,multiplication,division], index=['덧셈','뺄셈','곱셈','나눗셈']) print(result) 국어 수학 영어 덧셈 NaN 170.000 NaN 뺄셈 NaN 10.000 NaN 곱셈 NaN 7200.000 NaN 나눗셈 NaN 1.125 NaN

# 연산 메소드를 사용해보자. student1 = pd.Series({'국어':np.nan,'영어':80,'수학':90}) student2 = pd.Series({'수학':80,'국어':90}) print(student1) 국어 NaN 영어 80 수학 90 dtype: int64 print(student2) 수학 80 국어 90 # 두 학생의 과목별 점수로 사칙연산 수행(fill_value 사용) sr_add = student1.add(student2, fill_value=0) # 기준은 student1 sr_sub = student1.sub(student2, fill_value=0) sr_mul = student1.mul(student2, fill_value=0) sr_div = student1.div(student2, fill_value=0) # student1 / student2 # 사칙연산 결과를 데이터프레임으로 합치기(시리즈->데이터프레임) result = pd.DataFrame([sr_add,sr_sub,sr_mul,sr_div], index=['덧셈','뺄셈','곱셈','나눗셈']) print(result) 국어 수학 영어 덧셈 90.0 170.000 80.0 뺄셈 -90.0 10.000 80.0 곱셈 0.0 7200.000 0.0 나눗셈 0.0 1.125 inf

import seaborn as sns # titanic데이터셋에서 age, fare, 2개 열을 선택하여 데이터프레임 만들기 titanic = sns.load_dataset('titanic') df = titanic.loc[:,['age','fare']] print(df.head()) age fare 0 22.0 7.2500 1 38.0 71.2833 2 26.0 7.9250 3 35.0 53.1000 4 35.0 8.0500 print(type(df)) <class 'pandas.core.frame.DataFrame'> # 데이터프레임에 숫자 10더하기 addition = df + 10 print(addition.head()) # 첫 5행만 표시 age fare 0 32.0 17.2500 1 48.0 81.2833 2 36.0 17.9250 3 45.0 63.1000 4 45.0 18.0500 print(type(addition)) <class 'pandas.core.frame.DataFrame'>

print(df) age fare 0 22.0 7.2500 1 38.0 71.2833 2 26.0 7.9250 3 35.0 53.1000 4 35.0 8.0500 .. ... ... 886 27.0 13.0000 887 19.0 30.0000 888 NaN 23.4500 889 26.0 30.0000 890 32.0 7.7500 [891 rows x 2 columns] # df에 숫자 10 더하기 addition = df + 10 print(addition.tail()) age fare 886 37.0 23.00 887 29.0 40.00 888 NaN 33.45 889 36.0 40.00 890 42.0 17.75 # df끼리 연산하기(addition - df) substraction = addition - df print(substraction.tail()) age fare 886 10.0 10.0 887 10.0 10.0 888 NaN 10.0 889 10.0 10.0 890 10.0 10.0

import datetime,time datetime.date.fromtimestamp(time.time())

import datetime datetime.date.fromordinal(100)

import datetime datetime.date.today()

import datetime a = datetime.date.today() b = a.replace(day=1) # a객체에서 day 만 변경 a b

import datetime a = datetime.date.today() a.timetuple()

import datetime a = datetime.date.today() a.toordinal()

import datetime a = datetime.date.today() a.weekday()

import datetime D = datetime.date.today() D.isoformat()

import datetime D = datetime.date.today() D.ctime()

import datetime D = datetime.date(2022,7,09) D.strftime('%Y %m %d') D.strftime('%y %m %d %H:%M:%S') # 시분초에 대한 정보가 없으면 0으로 반환

# time 객체 생성 import datetime datetime.time(23) # 시간만 입력 datetime.time(23,15,45,2341) # 시, 분, 초 , 마이크로초 입력 datetime.time(hour=23, second=5) # 인자지정하여 입력 datetime.time(25) # 인자허용값을 벗어나면 오류 발생

import datetime T = datetime.time(23,30,15,2904) T.hour # 시 T.minute # 분 T.second # 초 T.microsecond # 마이크로초 T.max # time객체의 최댓값 T.min # time객체의 최솟값

import datetime T = datetime.time(23,30,15,3759) T1 = T.replace(microsecond=0) T, T1

import datetime T = datetime.time(23,30,15,3759) T.isoformat()

import datetime T = datetime.time(23,30,15,3759) T.strftime('%Y %m %d %H:%M:%S')

import datetime

import datetime datetime.datetime.today()

import datetime datetime.datetime.now()

import datetime datetime.datetime.utcnow()

import datetime,time datetime.datetime.utcfromtimestamp(time.time())

import datetime datetime.datetime.fromordinal(1000)

import datetime D = datetime.date(2022,7,10) T = datetime.time(23,30,15) DT = datetime.datetime.combine(D,T)

import datetime,time timestring = time.ctime(1234567890) # 숫자값을 알아보기 쉬운 날짜와 시간으로 변환해줌 datetime.datetime.strptime(timestring, '%a %b %d %H:%M:%S %Y')

import datetime DT = datetime.datetime(2022,7,10,16,08,30) D = DT.date() D

import datetime DT = datetime.datetime(2022,7,10,16,08,30,15) T = DT.time() T

import datetime DT = datetime.datetime(2022,7,10,16,08,30,15) DT_1 = DT.replace(year=1987) DT # 원본객체 DT_1 # 변경된 객체

import datetime DT = datetime.datetime(2022,7,10,16,08,30,15) DT.timetuple()

import datetime DT = datetime.datetime.today() DT.weekday()

import datetime DT = datetime.datetime.today() DT.isoweekday()

import datetime DT = datetime.datetime.today() DT.isocalendar()

import datetime DT = datetime.datetime.today() DT.isoformat() DT.replace(microsecond=0).isoformat() # 마이크로초가 0인경우

import datetime datetime.timedelta(days=-3) # 3일 이전 datetime.timedelta(hours=7) # 7시간 이후 datetime.timedelta(weeks=2, days=3, hours=-3, minutes=30) datetime.timedelta(minutes=3,milliseconds=-20, microseconds=400)

datetime.timedelta(microseconds=-1) # 현재 이전으로 가장 작은값 datetime.timedelta(microseconds=1) # 현재 이후로 가장 작은 값