Wie konvertiere ich Daten in einem Pandas-Datenrahmen in einen Datumsdatentyp?

Ich habe einen Pandas-Datenrahmen, eine der Spalten enthält Datumszeichenfolgen im Format YYYY-MM-DD

Zum Beispiel '2013-10-28'

Im Moment ist das dtypeder Spalte object.

Wie konvertiere ich die Spaltenwerte in das Pandas-Datumsformat?

Verwenden Sie Astype

In [31]: df
Out[31]: 
   a        time
0  1  2013-01-01
1  2  2013-01-02
2  3  2013-01-03

In [32]: df['time'] = df['time'].astype('datetime64[ns]')

In [33]: df
Out[33]: 
   a                time
0  1 2013-01-01 00:00:00
1  2 2013-01-02 00:00:00
2  3 2013-01-03 00:00:00

Im Wesentlichen äquivalent zu @waitingkuo, aber ich würde es to_datetimehier verwenden (es scheint ein wenig sauberer zu sein und bietet einige zusätzliche Funktionen, z. B. dayfirst):

In [11]: df
Out[11]:
   a        time
0  1  2013-01-01
1  2  2013-01-02
2  3  2013-01-03

In [12]: pd.to_datetime(df['time'])
Out[12]:
0   2013-01-01 00:00:00
1   2013-01-02 00:00:00
2   2013-01-03 00:00:00
Name: time, dtype: datetime64[ns]

In [13]: df['time'] = pd.to_datetime(df['time'])

In [14]: df
Out[14]:
   a                time
0  1 2013-01-01 00:00:00
1  2 2013-01-02 00:00:00
2  3 2013-01-03 00:00:00

Handhabung ValueErrors
Wenn Sie in eine Situation geraten, in der Sie dies tun

df['time'] = pd.to_datetime(df['time'])

Wirft a

ValueError: Unknown string format

Das heißt, Sie haben ungültige (nicht erzwungene) Werte. Wenn Sie damit einverstanden sind, dass sie konvertiert werden pd.NaT, können Sie ein errors='coerce'Argument hinzufügen zu to_datetime:

df['time'] = pd.to_datetime(df['time'], errors='coerce')

Ich stelle mir vor, dass viele Daten aus CSV-Dateien in Pandas eingehen. In diesem Fall können Sie das Datum während des ersten CSV-Lesevorgangs einfach konvertieren:

dfcsv = pd.read_csv('xyz.csv', parse_dates=[0])Dabei bezieht sich die 0 auf die Spalte, in der sich das Datum befindet.
Sie können dort auch hinzufügen, , index_col=0wenn das Datum Ihr Index sein soll.

Siehe https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html

Jetzt können Sie tun df['column'].dt.date

Beachten Sie, dass es sich bei Datetime-Objekten nicht um Pandas handelt, wenn Sie nicht die Stunde sehen, zu der alle 00:00:00 sind. Das ist ein iPython-Notebook, das versucht, die Dinge hübsch aussehen zu lassen.

Eine andere Möglichkeit, dies zu tun, funktioniert gut, wenn Sie mehrere Spalten in datetime konvertieren müssen.

cols = ['date1','date2']
df[cols] = df[cols].apply(pd.to_datetime)

Wenn Sie das DATE- und nicht das DATETIME-Format erhalten möchten:

df["id_date"] = pd.to_datetime(df["id_date"]).dt.date

Es kann vorkommen, dass Daten auf eine andere Häufigkeit umgerechnet werden müssen. In diesem Fall würde ich vorschlagen, einen Index nach Datum festzulegen.

#set an index by dates
df.set_index(['time'], drop=True, inplace=True)

Danach können Sie einfacher in das Datumsformat konvertieren, das Sie am meisten benötigen. Im Folgenden konvertiere ich nacheinander in eine Reihe von Datumsformaten, wobei ich am Anfang des Monats eine Reihe von Tagesdaten erhalte.

#Convert to daily dates
df.index = pd.DatetimeIndex(data=df.index)

#Convert to monthly dates
df.index = df.index.to_period(freq='M')

#Convert to strings
df.index = df.index.strftime('%Y-%m')

#Convert to daily dates
df.index = pd.DatetimeIndex(data=df.index)

Der Kürze halber zeige ich nicht, dass ich nach jeder Zeile oben den folgenden Code ausführe:

print(df.index)
print(df.index.dtype)
print(type(df.index))

Dies gibt mir die folgende Ausgabe:

Index(['2013-01-01', '2013-01-02', '2013-01-03'], dtype='object', name='time')
object
<class 'pandas.core.indexes.base.Index'>

DatetimeIndex(['2013-01-01', '2013-01-02', '2013-01-03'], dtype='datetime64[ns]', name='time', freq=None)
datetime64[ns]
<class 'pandas.core.indexes.datetimes.DatetimeIndex'>

PeriodIndex(['2013-01', '2013-01', '2013-01'], dtype='period[M]', name='time', freq='M')
period[M]
<class 'pandas.core.indexes.period.PeriodIndex'>

Index(['2013-01', '2013-01', '2013-01'], dtype='object')
object
<class 'pandas.core.indexes.base.Index'>

DatetimeIndex(['2013-01-01', '2013-01-01', '2013-01-01'], dtype='datetime64[ns]', freq=None)
datetime64[ns]
<class 'pandas.core.indexes.datetimes.DatetimeIndex'>

Versuchen Sie, eine der Zeilen mit der Funktion pd.to_datetime in einen Zeitstempel zu konvertieren, und ordnen Sie das Formular dann mit .map der gesamten Spalte zu

 #   Column          Non-Null Count   Dtype         
---  ------          --------------   -----         
 0   startDay        110526 non-null  object
 1   endDay          110526 non-null  object

import pandas as pd

df['startDay'] = pd.to_datetime(df.startDay)

df['endDay'] = pd.to_datetime(df.endDay)

 #   Column          Non-Null Count   Dtype         
---  ------          --------------   -----         
 0   startDay        110526 non-null  datetime64[ns]
 1   endDay          110526 non-null  datetime64[ns]