如何将%10.0g格式数值转换为yyyy-mm-dd hh:mm:ss日期格式

你数据中存储的1.9xxxe+12格式数值为毫秒级Unix时间戳，字段内.为缺失值标记，以下给出不同工具的转换实现方案，最终输出符合yyyy-mm-dd hh:mm:ss格式要求。

转换核心逻辑：Stata内置的UTC时区毫秒级时间值，以1960-01-01 00:00:00为计数起点，需要先计算Unix时间戳起点（1970-01-01 00:00:00 UTC）对应的Stata时间偏移量，做差值后再格式化输出即可。

* 以下为示例数据导入代码，实际使用时替换为你自己的数据导入逻辑
clear
input ID double(Date1 Date2)
1   1929000000000   1929000000000       
2   1917000000000   1901000000000
3   1922000000000   .
end

* 计算UTC时区下的时间偏移量，若数据使用北京时间（UTC+8），将时间改为"1970-01-01 08:00:00"即可
local offset = Clock("1970-01-01 00:00:00", "YMD hms")

* 批量转换所有日期字段
foreach var of varlist Date1 Date2 {
    * 排除缺失值做时间值换算，必须用double类型存储避免精度丢失
    gen double `var'_datetime = `var' - `offset' if !missing(`var')
    * 格式化为目标的yyyy-mm-dd hh:mm:ss字符串
    gen `var'_formatted = string(`var'_datetime, "%tCY-m-d H:M:S")
}

* 查看转换结果
list ID Date1_formatted Date2_formatted

注意事项：

• 存储Stata内部时间值的变量必须指定为double类型，否则会因浮点数精度不足导致时间计算错误
• 可根据数据实际使用的时区调整偏移量的起点时间，避免出现8小时时差

Python（Pandas） #

Pandas内置的时间转换函数可直接识别毫秒级Unix时间戳，自动处理缺失值，无需手动计算偏移量：

import pandas as pd
import numpy as np

# 以下为示例数据构造代码，实际使用时替换为自己的数据读取逻辑
df = pd.DataFrame({
    "ID": [1, 2, 3],
    "Date1": [1.929e+12, 1.917e+12, 1.922e+12],
    "Date2": [1.929e+12, 1.901e+12, np.nan]
})

# 批量转换日期字段
for col in ["Date1", "Date2"]:
    # 若需转换为北京时间，添加参数utc=True后再转tz_convert("Asia/Shanghai")即可
    df[f"{col}_formatted"] = pd.to_datetime(df[col], unit="ms").dt.strftime("%Y-%m-%d %H:%M:%S")

# 打印查看结果
print(df[["ID", "Date1_formatted", "Date2_formatted"]])

R #

借助lubridate包的时间解析功能即可快速完成转换：

library(lubridate)
library(dplyr)

# 以下为示例数据构造代码，实际使用时替换为自己的数据读取逻辑
df <- tibble(
  ID = c(1, 2, 3),
  Date1 = c(1.929e+12, 1.917e+12, 1.922e+12),
  Date2 = c(1.929e+12, 1.901e+12, NA)
)

# 批量转换日期字段
df <- df %>% 
  mutate(across(c(Date1, Date2), 
                ~format(as_datetime(.x/1000, origin = "1970-01-01", tz = "UTC"), 
                        "%Y-%m-%d %H:%M:%S"),
                .names = "{.col}_formatted"))

# 打印查看结果
print(df)

内容的提问来源于stack exchange，提问作者Prajwal Mani Pradhan