我用熊猫。To_datetime解析数据中的日期。Pandas默认情况下表示datetime64[ns]的日期，即使这些日期都是每天的。 我想知道是否有一种优雅/聪明的方法将日期转换为datetime。[D]这样，当我把数据写入CSV时，日期不会附加00:00:00。我知道我可以逐个元素手动转换类型:
[dt.to_datetime().date() for dt in df.dates]
但这真的很慢，因为我有很多行，这有点违背了使用pandas.to_datetime的目的。是否有一种方法可以一次转换整个列的dtype ?或者，熊猫也一样。to_datetime支持一个精度规范，以便我可以摆脱时间部分，同时与日常数据?
当前回答
Pandas DatetimeIndex和Series有一个叫做normalize的方法，它可以做你想做的事情。
你可以在这个答案中了解更多。
它可以用作ser.dt.normalize()
其他回答
Pandas v0.13+:使用带date_format参数的to_csv
尽可能避免将datetime64[ns]系列转换为datetime的对象dtype系列。日期对象。后者通常使用pd.Series.dt构造。date，存储为指针数组，相对于纯基于numpy的序列效率较低。
由于您关心的是写入CSV时的格式，只需使用to_csv的date_format参数。例如:
df.to_csv(filename, date_format='%Y-%m-%d')
有关格式约定，请参阅Python的strftime指令。
这是一个提取日期的简单方法:
import pandas as pd
d='2015-01-08 22:44:09'
date=pd.to_datetime(d).date()
print(date)
df(“列”)= df(“列”).dt.strftime(“% m / % d / Y %”)
这将给你的只是日期，没有时间在你想要的格式。您可以根据需要更改格式'%m/%d/%Y'它将更改列的数据类型为'object'。
如果你只想要日期而不想要时间的YYYY-MM-DD格式，请使用:
df['Column'] = pd.to_datetime(df['Column']).dt.date
数据类型为“object”。
对于'datetime64'数据类型，使用:
df['Column'] = pd.to_datetime(df['Column']).dt.normalize()
我希望能够更改数据帧中一组列的类型，然后删除保持日期的时间。Round ()， floor()， ceil()都可以工作
df[date_columns] = df[date_columns].apply(pd.to_datetime)
df[date_columns] = df[date_columns].apply(lambda t: t.dt.floor('d'))
虽然我给EdChum的答案投了赞成票，这是对OP提出的问题最直接的回答，但它并没有真正解决性能问题(它仍然依赖于python datetime对象，因此对它们的任何操作都不会向量化——也就是说，它会很慢)。
更好的替代方法是使用df['dates'].dt.floor('d')。严格来说，它并不是“只保留日期部分”，因为它只是将时间设置为00:00:00。但它确实按照OP的要求工作，例如:
印刷到丝网 保存到CSV 使用列进行分组
．.． 而且效率更高，因为运算是向量化的。
编辑:事实上，OP们更喜欢的答案可能是“最近版本的熊猫不把时间写入csv，如果所有的观测值都是00:00:00”。
