Unterschied zwischen Datentyp 'datetime64 [ns]' und '<M8 [ns]'?

Question

Ich habe ein Timeseries in Pandas erstellt:

In [346]: from datetime import datetime 

In [347]: dates = [datetime(2011, 1, 2), datetime(2011, 1, 5), datetime(2011, 1, 7), 

.....: datetime(2011, 1, 8), datetime(2011, 1, 10), datetime(2011, 1, 12)] 

In [348]: ts = Series(np.random.randn(6), index=dates) 

In [349]: ts 

Out[349]: 

2011-01-02 0.690002 

2011-01-05 1.001543 

2011-01-07 -0.503087 

2011-01-08 -0.622274 

2011-01-10 -0.921169 

2011-01-12 -0.726213 

ich am Beispiel von bin nach 'Python for Data Analysis' Buch.

Im folgenden Abschnitt überprüft der Autor den Indextyp:

In [353]: ts.index.dtype 

Out[353]: dtype('datetime64[ns]') 

Wenn ich die gleiche Operation in der Konsole genau bekomme ich:

ts.index.dtype 
dtype('<M8[ns]') 

Was ist der Unterschied zwischen zwei Arten 'datetime64[ns]' und '<M8[ns]'?

Und warum bekomme ich einen anderen Typ?

Answer 1

datetime64[ns] ist ein allgemeiner dtype, während <M8[ns] ein bestimmter dtype ist. Allgemeine dtypes werden bestimmten dtypes zugeordnet, können sich aber von einer Installation von NumPy zum nächsten unterscheiden.

Auf einer Maschine, deren Byte-Reihenfolge ist Little-Endian, gibt es keinen Unterschied zwischen np.dtype('datetime64[ns]') und np.dtype('<M8[ns]'):

In [6]: np.dtype('datetime64[ns]') == np.dtype('<M8[ns]') 
Out[6]: True 

jedoch auf einer Big-Endian-Maschine, würde np.dtype('datetime64[ns]')np.dtype('>M8[ns]') gleich.

Also datetime64[ns] Karten entweder <M8[ns] oder >M8[ns] abhängig von der Endian-Ness der Maschine.

Es gibt viele andere ähnliche Beispiele der allgemeinen dtypes Zuordnung zu bestimmten dtypes: int64 Karten <i8 oder >i8 und int Karten entweder int32 oder int64 abhängig von der Bit-Architektur des Betriebssystems und wie NumPy kompiliert wurde.

---

Offenbar ist die repr der datetime64 dtype hat seit der Zeit ändert das Buch geschrieben wurde die Bytereihenfolge des dtype zu zeigen.

Answer 2

Wenn dies beim Ausführen Ihres Codes zu Fehlern führt, löst das gleichzeitige Aktualisieren von Pandas und numpy wahrscheinlich den Konflikt im Datetime-Datentyp.