Calcola la differenza di tempo tra due stringhe temporali in Python
-
Usa
datetime.strptime()
per calcolare la differenza di tempo tra due stringhe temporali in Python -
Usa
time.sleep()
per calcolare la differenza di tempo tra due stringhe temporali in Python -
Usa
datetime.timedelta()
per calcolare la differenza di tempo tra due stringhe temporali in Python
Ci sono momenti in cui dobbiamo affrontare problemi relativi alla data e all’ora nella programmazione. In Python, i dati e l’ora non sono tipi di dati stessi. Tuttavia, Python fornisce una vasta gamma di funzioni e librerie che aiutano ad affrontare tali problemi. Uno dei problemi relativi alla data e all’ora è il calcolo dell’intervallo di tempo tra le stringhe di due tempi.
Questo tutorial mostra diversi modi per calcolare l’intervallo di tempo tra due stringhe in Python.
Usa datetime.strptime()
per calcolare la differenza di tempo tra due stringhe temporali in Python
La classe datatime
fornisce all’utente una serie di funzioni per gestire date e orari in Python. La funzione strptime()
viene utilizzata per analizzare un valore stringa per rappresentare l’ora in base a un dato formato. Il valore della stringa e il formato dell’ora vengono archiviati come argomento della funzione.
Ecco un programma di esempio:
time_1 = datetime.strptime("05:00:00", "%H:%M:%S")
time_2 = datetime.strptime("10:00:00", "%H:%M:%S")
time_interval = time_2 - time_1
print(time_difference)
Produzione:
5:00:00
Qui, due stringhe temporali sono memorizzate in due variabili utilizzando la funzione datetime.strptime()
. Si noti che %H
, %M
e %S
sono i rappresentanti di Hours
, Minutes
e Seconds
. Dopo che le due stringhe temporali sono state memorizzate con il loro formato temporale, l’intervallo di tempo tra le due viene calcolato semplicemente sottraendo le due variabili.
Usa time.sleep()
per calcolare la differenza di tempo tra due stringhe temporali in Python
C’è un modulo noto come modulo time
in Python, che aiuta a stampare l’ora sotto forma di oggetti, numeri e stringhe. Offre anche molte funzioni per svolgere compiti come misurare il tempo e misurare l’efficienza del codice.
Una delle funzioni nel modulo time
di Python è la funzione sleep()
. Questa funzione sospende l’esecuzione del presente blocco di codice per un certo periodo di tempo indicato solo dall’utente.
Guarda questo codice di esempio:
import time
time_1 = time.time()
time.sleep(20)
time_2 = time.time()
time_interval = time_2 - time_1
print(time_interval)
Produzione:
20.005916118621826
Si noti che nel codice precedente viene utilizzata anche la funzione time()
del modulo time
. Questa funzione aiuta a restituire il numero di secondi trascorsi dall’epoca, 1 gennaio 1970, 00:00:00 a UTC. La variabile 20 nell’argomento della funzione sleep()
rappresenta 20 secondi. In questo codice, i due valori temporali vengono presi dall’epoca e, tra di essi, il codice interrompe l’esecuzione per 20 secondi.
Usa datetime.timedelta()
per calcolare la differenza di tempo tra due stringhe temporali in Python
C’è un altro modulo Python noto come modulo datetime
. Questo modulo fornisce anche molte classi e funzioni per gestire date, orari e intervalli di tempo.
La classe timedelta()
è una delle funzioni del modulo datetime
. Viene utilizzato per rappresentare una durata temporale specifica o la differenza tra due date e orari. Le funzioni contengono molti argomenti come giorni, millisecondi, microsecondi, secondi, minuti, ore e anche settimane.
L’utente può menzionare questi argomenti in base alle necessità del programma. Dai un’occhiata a un programma di esempio qui:
import datetime
time_1 = datetime.timedelta(hours=10, minutes=20, seconds=30)
time_2 = datetime.timedelta(hours=20, minutes=30, seconds=45)
print(time_2 - time_1)
Nota che nel codice sopra, non tutti gli argomenti sono menzionati nella classe timedelta
.
Lakshay Kapoor is a final year B.Tech Computer Science student at Amity University Noida. He is familiar with programming languages and their real-world applications (Python/R/C++). Deeply interested in the area of Data Sciences and Machine Learning.
LinkedIn