


Bagaimana untuk bekerja dengan zon waktu di Python?
Use zoneinfo for Python 3.9+ to create timezone-aware datetimes and convert between timezones with astimezone(); 2. For Python 3.6–3.8, use pytz with localize() to avoid DST errors; 3. Always work in UTC internally and convert to local time only for display; 4. Parse timezone-aware strings using fromisoformat() or dateutil.parser, and avoid naive and aware datetime comparisons, ensuring consistent, unambiguous time handling in applications.
Working with timezones in Python can be tricky, but with the right tools and understanding, it becomes manageable. The key is to always be aware of whether your datetime objects are naive (no timezone info) or aware (include timezone info), and to convert between timezones safely.
Here’s how to handle timezones properly in Python:
1. Use datetime
with zoneinfo
(Python 3.9+)
The modern and recommended way is to use the built-in zoneinfo
module (available in Python 3.9+). It uses the IANA timezone database and doesn’t require external libraries.
from datetime import datetime from zoneinfo import ZoneInfo # Create a datetime with a specific timezone local_time = datetime(2024, 4, 5, 12, 0, 0, tzinfo=ZoneInfo("America/New_York")) print(local_time) # 2024-04-05 12:00:00-04:00 # Convert to another timezone utc_time = local_time.astimezone(ZoneInfo("UTC")) print(utc_time) # 2024-04-05 16:00:00+00:00 # Get current time in a timezone now_in_london = datetime.now(ZoneInfo("Europe/London")) print(now_in_london)
⚠️ Always use
astimezone()
to convert between timezones, not just assigningtzinfo
.
2. For older Python versions (3.6–3.8): Use pytz
If you're on Python < 3.9, install and use pytz
:
pip install pytz
from datetime import datetime import pytz # Define a timezone tz_ny = pytz.timezone("America/New_York") # Localize a naive datetime (correct way) naive = datetime(2024, 4, 5, 12, 0, 0) local_time = tz_ny.localize(naive) print(local_time) # 2024-04-05 12:00:00-04:00 # Convert to UTC utc_time = local_time.astimezone(pytz.UTC) print(utc_time) # 2024-04-05 16:00:00+00:00
❗ Never do
datetime(2024, 4, 5, 12, 0, tzinfo=tz_ny)
— always use.localize()
to avoid DST errors.
3. Work in UTC internally
Best practice: store and compute all timestamps in UTC, then convert to local time only for display.
from datetime import datetime from zoneinfo import ZoneInfo # Store time in UTC utc_now = datetime.now(ZoneInfo("UTC")) # Convert to user's timezone when displaying user_tz = ZoneInfo("Asia/Tokyo") japan_time = utc_now.astimezone(user_tz) print(f"Current time in Tokyo: {japan_time}")
This avoids ambiguity, especially around daylight saving transitions.
4. Parse and format timezone-aware strings
Use strptime
carefully — it may create naive datetimes.
from datetime import datetime from zoneinfo import ZoneInfo # Parsing ISO format with timezone date_str = "2024-04-05T12:00:00+02:00" dt = datetime.fromisoformat(date_str) print(dt.tzinfo) # Offset attached # Or parse and assign timezone raw_str = "2024-04-05 10:00:00" naive = datetime.strptime(raw_str, "%Y-%m-%d %H:%M:%S") aware = naive.replace(tzinfo=ZoneInfo("Europe/Paris"))
For more complex parsing, consider dateutil
:
pip install python-dateutil
from dateutil import parser dt = parser.parse("2024-04-05 10:00:00 EST") print(dt) # Already timezone-aware
Key Tips
- Always prefer aware datetime objects in production.
- Never compare naive and aware datetimes — it raises errors in Python 3.9+.
- Use standard timezone names like
America/Los_Angeles
, not abbreviations likePST
(they’re ambiguous). - Be careful with DST:
.localize()
and.astimezone()
handle it correctly; directtzinfo=
does not.
Basically, use zoneinfo
if you can, work in UTC, and always be explicit about timezones. It’s not hard once you get the pattern down.
Atas ialah kandungan terperinci Bagaimana untuk bekerja dengan zon waktu di Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undress AI Tool
Gambar buka pakaian secara percuma

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Usetracemalloctotrackmemoryallocationsandidentifyhigh-memorylines;2.Monitorobjectcountswithgcandobjgraphtodetectgrowingobjecttypes;3.Inspectreferencecyclesandlong-livedreferencesusingobjgraph.show_backrefsandcheckforuncollectedcycles;4.Usememory_prof

Kaedah mengisi data Excel ke dalam bentuk web menggunakan Python adalah: pertama menggunakan panda untuk membaca data Excel, dan kemudian gunakan selenium untuk mengawal penyemak imbas untuk mengisi secara automatik dan menyerahkan borang; Langkah -langkah khusus termasuk memasang pandas, openpyxl dan perpustakaan selenium, memuat turun pemacu penyemak imbas yang sepadan, menggunakan pandas untuk membaca nama, e -mel, telefon dan medan lain dalam fail data.xlsx, melancarkan pelayar melalui selenium untuk membuka. Bentuk dan proses semua baris data dalam gelung.

Jadual Kandungan Apakah analisis sentimen dalam perdagangan cryptocurrency? Mengapa analisis sentimen penting dalam sumber pelaburan cryptocurrency sumber data emosi a. Platform Media Sosial b. Media berita c. Alat untuk analisis sentimen dan teknologi alat yang biasa digunakan dalam analisis sentimen: Teknik yang diterima pakai: Mengintegrasikan analisis sentimen ke dalam strategi perdagangan bagaimana peniaga menggunakannya: Strategi Contoh: Dengan mengandaikan senario senario perdagangan BTC Penetapan: Isyarat Emosi: Tafsiran Pedagang: Keputusan: Batasan dan Risiko Analisis Sentimen Menggunakan Emosi Kajian 2025 baru -baru ini oleh Hamid

Define__iter __ () toreturntheiteratorObject, biasanya selforaseparateiteratorinstance.2.define__next __ () toreturnthenextvalueanddraisestopiterationWhenexhausted.tocreateareusablecustomiterator, urusan

Untuk mencantikkan dan mencetak fail JSON, anda perlu menggunakan parameter indent modul JSON. Langkah -langkah khusus ialah: 1. Gunakan json.load () untuk membaca data fail JSON; 2. Gunakan json.dump () dan tetapkan indent kepada 4 atau 2 untuk menulis ke fail baru, dan kemudian fail JSON yang diformat boleh dihasilkan dan percetakan yang dihiasi dapat diselesaikan.

Apabila anda perlu melintasi urutan dan mengakses indeks, anda harus menggunakan fungsi penghitungan (). 1. Enumerate () secara automatik menyediakan indeks dan nilai, yang lebih ringkas daripada julat (len (urutan)); 2. Anda boleh menentukan indeks permulaan melalui parameter Mula, seperti Start = 1 untuk mencapai kiraan berasaskan 1; 3. Anda boleh menggunakannya dalam kombinasi dengan logik bersyarat, seperti melangkau item pertama, mengehadkan bilangan gelung atau memformat output; 4. Berkenaan dengan mana -mana objek yang boleh dipercayai seperti senarai, rentetan, dan tupel, dan elemen sokongan yang membongkar; 5. Meningkatkan kebolehbacaan kod, elakkan menguruskan kaunter secara manual, dan mengurangkan kesilapan.

Untuk menyalin fail dan direktori, modul Shutil Python menyediakan pendekatan yang cekap dan selamat. 1. Gunakan shutil.copy () atau shutil.copy2 () untuk menyalin satu fail, yang mengekalkan metadata; 2. Gunakan shutil.copytree () untuk menyalin keseluruhan direktori. Direktori sasaran tidak boleh wujud terlebih dahulu, tetapi sasaran boleh dibenarkan wujud melalui dirs_exist_ok = true (python3.8); 3. Anda boleh menapis fail tertentu dalam kombinasi dengan parameter abaikan dan shutil.ignore_patterns () atau fungsi tersuai; 4. Direktori menyalin hanya memerlukan os.walk () dan os.makedirs ()

Python boleh digunakan untuk analisis pasaran saham dan ramalan. Jawapannya adalah ya. Dengan menggunakan perpustakaan seperti yfinance, menggunakan panda untuk pembersihan data dan kejuruteraan ciri, menggabungkan matplotlib atau seaborn untuk analisis visual, kemudian menggunakan model seperti Arima, Hutan Rawak, XGBoost atau LSTM untuk membina sistem ramalan, dan menilai prestasi melalui backtesting. Akhirnya, permohonan itu boleh digunakan dengan Flask atau Fastapi, tetapi perhatian harus dibayar kepada ketidakpastian ramalan pasaran, risiko overfitting dan kos urus niaga, dan kejayaan bergantung kepada kualiti data, reka bentuk model dan jangkaan yang munasabah.
