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

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)

其他回答

只是给一个最新的答案,以防有人看到这篇旧帖子。

在转换为datetime时添加"utc=False"将删除时区组件,并仅保留datetime64[ns]数据类型的日期。

pd.to_datetime(df['Date'], utc=False)

你将能够在excel中保存它而不会得到错误“ValueError: excel不支持带时区的日期时间。在写入Excel之前,请确保日期时间不受时区影响。”

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)

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”。

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()

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()