最近遇上兩個需求：
1.通過僅有時分秒的資料項篩選時間(datatime)
2.計算兩個僅有時分秒的資料項之間的時間差的總秒數（timeoffset）
先亮結果
經過：起初我看到這個時間格式，錯以為可以直接用於比較，但實際上這樣的比較計算機是識別不出來的，必須要加上年月日（我懷疑時間比較需要將時間轉換成時間戳格式，所以才需要年月日，這一點有待日後驗證）
因此第乙個需求：
import pandas as pd
date =
'20200302'
data = old_data[pd.to_datetime(
str(date)
+" "
+old_data[
'updatetime'
].astype(
'str'))
> \
pd.to_datetime(
str(date)
+" 09:14:59"
)]
2.to_datetime函式目前已知可轉換str以及時間戳型別資料為datetime格式，更多的功能待日後探索
第二個需求
和上乙個需求型別，只不過程式設計兩個datetime型別相減之後，呼叫高階介面dt類中的方法total_seconds即可將時間差轉化為秒級別
data[
'timeoffset']=
(pd.to_datetime(
str(date)
+" "
+data[
'datatime'
].astype(
'str'))
-\ pd.to_datetime(
str(date)
+" 08:00:00"))
.dt.total_seconds(
).astype(
int)
關於時間利用的一點思考
首先必須要承認,個體之間是有很大差異的,那麼個體之間的大腦的活性就是有區別的.而且對於不同的事物,大腦活性也可能是不同的.這裡假設對於某件事情,大腦的活性隨時間變化的函式為f t 那麼不同人對不同事物的學習上會得到不同的函式曲線.而不同事物本身會存在不同子項,比如,學習繪畫這件事情.就包括了對線條,...
關於延遲時間的一點智慧型
關於延遲時間的一點智慧型 一般的做法 sleep 2000 延遲2秒 此種做法有倆個弊端 1 如果實際需要的延遲時間不需要2秒，則明顯有延遲時間浪費 2 如果實際需要的延遲時間超過2秒，則很可能發生不可預料的錯誤。改進的做法 repeat sleep 10 until fileexists c te...
關於iBatis selectKey的一點筆記
技術前提 我們使用ibatis作為持久層方案 技術場景 假設我們有兩張表，一張主表main,一張子表sub,並且主表的主鍵是由資料庫維護的自增長的主鍵，子表中有乙個字段引用這個主鍵，那麼當我們插入主表資料後，就需要馬上返回這個自增長的主鍵。解決方案 可以在insert時通過ibatis的select...