Dealing with Dates and Times in Python

Зміст курсу

Dealing with Dates and Times in Python

Dealing with Dates and Times in Python

1. Working with Dates

What Day is it Today?Creating a Date Object Date Attributes Date Methods Date Formats One More Formatting Date Difference Arithmetic Operations with timedelta Objects

2. Working with Times

What Time is it Now?Creating a datetime Object Datetime Attributes Datetime Methods Datetime Formats 12-Hour and 24-Hour Formats Date and Time Difference Reading Date and Time from String

3. Timezones and Daylight Savings Time (DST)

The Variery of Timezones Timezone Examples Applying Timezone to Datetime Object What Time is it in ... ?Daylight Savings Time

4. Working with Dates and Times in pandas

Challenge: What Will We Work With?Challenge: Converting Columns into datetime Type Challenge: Extreme Trips Durations Challenge: Investigation Challenge: Negative Trip Duration Challenge: Is this Common Issue?Challenge: Fixing the Issues Challenge: Average Metrics Across Taxi Types Challenge: Corrected Metrics Across Taxi Types Challenge: Group by Period?

Challenge: Average Metrics Across Taxi Types

Great! As for now, we have our dataset cleared from abnormally long rides and rides with ending time preceded starting. As we investigated, it happened because of misusage of 12 and 24-hour formats.

Let's try to find out some interesting insights from this dataset.

Завдання

Swipe to start coding

Apply .total_seconds() function to duration column using map and lambda functions.
Group observations by taxi type (vendor_id column). Then, choose columns dist_meters, duration, and calculate mean. Then apply function avg_m to dist_meters and avg_dur to duration. The functions are defined in the code.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 4. Розділ 8

toggle bottom row

Challenge: Average Metrics Across Taxi Types

Great! As for now, we have our dataset cleared from abnormally long rides and rides with ending time preceded starting. As we investigated, it happened because of misusage of 12 and 24-hour formats.

Let's try to find out some interesting insights from this dataset.

Завдання

Swipe to start coding

Apply .total_seconds() function to duration column using map and lambda functions.
Group observations by taxi type (vendor_id column). Then, choose columns dist_meters, duration, and calculate mean. Then apply function avg_m to dist_meters and avg_dur to duration. The functions are defined in the code.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 4. Розділ 8

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

some-alt