Teil 22: Datums- und Zeitoperationen in Python & Pandas

Sep. 23, 2025

—

von

In vielen Data-Science-Projekten spielen Zeitinformationen eine zentrale Rolle. Ob bei Verkaufsanalysen, Website-Traffic, Finanzdaten oder Sensorwerten – Daten sind häufig zeitgestempelt. Python und Pandas bieten leistungsstarke Werkzeuge, um Datums- und Zeitwerte zu verarbeiten, analysieren und visualisieren. In diesem Teil lernst du, wie man Datumswerte einliest, berechnet, filtert und für Analysen vorbereitet.

1. Datums- und Zeittypen in Python

Python stellt das Modul datetime bereit:

from datetime import datetime, date, time, timedelta

# Aktuelles Datum und Zeit
jetzt = datetime.now()
print(jetzt)  # z.B. 2025-09-23 14:30:00

# Nur Datum
heute = date.today()
print(heute)  # z.B. 2025-09-23

# Zeitdifferenzen
delta = timedelta(days=7)
print(heute + delta)  # Datum in 7 Tagen

datetime → Datum + Zeit
date → nur Datum
time → nur Uhrzeit
timedelta → Zeitdifferenzen

2. Datumswerte in Pandas

In Pandas werden Datumswerte meist als datetime64-Typ gespeichert.

import pandas as pd

# Beispiel-DataFrame
df = pd.DataFrame({
    "Datum": ["2025-09-20", "2025-09-21", "2025-09-22"],
    "Verkäufe": [100, 150, 200]
})

# In Datetime konvertieren
df["Datum"] = pd.to_datetime(df["Datum"])
print(df.info())

pd.to_datetime() wandelt Strings in Datumsobjekte um
Vorteil: Mathematische Operationen und Filter auf Datum möglich

3. Zugriff auf Datumsinformationen

Nach der Konvertierung kann man auf einzelne Bestandteile zugreifen:

df["Jahr"] = df["Datum"].dt.year
df["Monat"] = df["Datum"].dt.month
df["Tag"] = df["Datum"].dt.day
df["Wochentag"] = df["Datum"].dt.day_name()

print(df)

Ergebnis:

       Datum  Verkäufe  Jahr  Monat  Tag Wochentag
0 2025-09-20       100  2025      9   20  Samstag
1 2025-09-21       150  2025      9   21  Sonntag
2 2025-09-22       200  2025      9   22  Montag

Nützlich für Zeitreihenanalysen und Aggregationen nach Wochentagen oder Monaten

4. Filtern nach Datum

# Alle Verkäufe nach dem 21.09.2025
df[df["Datum"] > "2025-09-21"]

# Verkäufe im September
df[df["Datum"].dt.month == 9]

Kombinierbar mit anderen Bedingungen:

df[(df["Datum"].dt.month == 9) & (df["Verkäufe"] > 120)]

5. Zeitdifferenzen berechnen

df["Vorheriger_Tag"] = df["Datum"].shift(1)
df["Differenz"] = (df["Datum"] - df["Vorheriger_Tag"]).dt.days
print(df)

shift(1) → verschiebt Zeilen um 1
.dt.days → Differenz in Tagen
Praktisch, um Intervalle oder Trends zu berechnen

6. Resampling von Zeitreihen

Bei Zeitreihendaten kann man Daten auf Tages-, Wochen- oder Monatsbasis zusammenfassen:

# Beispiel mit täglichem Datum
daten = pd.date_range(start="2025-09-01", periods=10, freq="D")
df = pd.DataFrame({"Datum": daten, "Verkäufe": [100, 120, 130, 90, 150, 160, 140, 180, 170, 200]})
df.set_index("Datum", inplace=True)

# Wöchentliche Summe
wochen = df.resample("W").sum()
print(wochen)

resample("W") → gruppiert nach Woche
Ebenso möglich: "M" = Monat, "D" = Tag

7. Datumsoperationen mit Timedelta

# Verkäufe um 7 Tage verschieben
df["Verkäufe_7Tage_später"] = df["Verkäufe"].shift(7)

# Zeitdifferenz in Tagen
df["Differenz"] = (df.index - df.index.min()).days

shift() → Verschiebung für Trend- oder Vergleichsanalysen
timedelta → flexibel für Berechnungen

8. Praxisbeispiel: Verkaufsanalyse

df = pd.DataFrame({
    "Datum": pd.date_range(start="2025-09-01", periods=7, freq="D"),
    "Verkäufe": [100, 150, 200, 130, 170, 180, 160]
})

# Datumsinformationen extrahieren
df["Wochentag"] = df["Datum"].dt.day_name()
df["Monat"] = df["Datum"].dt.month

# Filter: Verkäufe über 150
high_sales = df[df["Verkäufe"] > 150]

# Berechnung der täglichen Differenz
df["Diff"] = df["Verkäufe"].diff()

print(df)