如何高效将Pandas DataFrame时间列转换为datetime.time对象

针对你的9万+行传感器数据集，以下是几种高效的处理方案，按性能从高到低排序：

方法1：提取datetime.time对象（最优性能，矢量化操作） #

直接利用Pandas的dt.time属性，这是原生矢量化操作，处理大数据量速度最快，且保留时间的结构化信息：

df = pd.read_csv('RAB_EXP1_7d_DFT.CSV')
df['Time'] = pd.to_datetime(df['Time'])
# 提取时分秒部分，得到datetime.time类型对象
df['Time_of_day'] = df['Time'].dt.time

处理后输出示例：

0       12:20:21
1       12:20:26
2       12:20:31
...
89971   17:17:55
Name: Time_of_day, dtype: object

这种格式的时间可以直接被Matplotlib识别，适合后续绘图分析。

方法2：格式化为字符串（按需使用） #

如果需要纯文本格式的时分秒，可以用dt.strftime，性能略低于方法1，但满足文本展示需求：

df['Time_str'] = df['Time'].dt.strftime('%H:%M:%S')

方法3：转换为当日秒数（适合数值化分析） #

若后续绘图或分析需要数值化的时间（比如计算一天内的相对时长），可以将时间转为当日累计秒数，方便做数值过滤和计算：

# 方式1：手动计算秒数
df['Seconds_of_day'] = df['Time'].dt.hour * 3600 + df['Time'].dt.minute * 60 + df['Time'].dt.second
# 方式2：利用timedelta计算总秒数（更简洁）
df['Seconds_of_day'] = (df['Time'] - df['Time'].dt.normalize()).dt.total_seconds()

这种数值化的时间适合精准筛选时段，也能避免跨天日期的干扰。

后续绘图实践建议 #

针对你寻找读数大于0时段的需求，推荐结合方法1或方法3使用：

• 用dt.time格式：Matplotlib可直接渲染时间轴，直观展示时段分布；
• 用秒数格式：便于做数值范围筛选（比如筛选早8点到晚6点的数据），也能更灵活地调整图表刻度。

绘图示例代码 #

import matplotlib.pyplot as plt

# 筛选读数大于0的数据
filtered_df = df[df['Reading'] > 0]

plt.figure(figsize=(12, 6))
plt.plot(filtered_df['Time_of_day'], filtered_df['Reading'], marker='.', linestyle='', alpha=0.6)
plt.xlabel('Time of Day')
plt.ylabel('Sensor Reading')
plt.title('Sensor Readings > 0 by Time of Day')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

内容的提问来源于stack exchange，提问作者kfir648