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

在>1000000行的表中,我发现这些都是快速的,地板只是稍微快一点:

df['mydate'] = df.index.floor('d')

or

df['mydate'] = df.index.normalize()

如果你的索引有时区,而你不想在结果中显示这些时区,请执行以下操作:

df['mydate'] = df.index.tz_localize(None).floor('d')

Df.index.date要慢很多倍;To_datetime()更糟糕。两者都有进一步的缺点,结果不能保存到hdf存储,因为它不支持datetime.date类型。

注意,这里我使用索引作为日期源;如果您的源是另一列,则需要添加.dt,例如df.mycol.dt.floor('d')

其他回答

从0.15.0版本开始,现在可以很容易地使用.dt来访问date组件:

df['just_date'] = df['dates'].dt.date

上面返回一个日期时间。Date dtype,如果你想要一个datetime64,那么你可以将time组件规范化为midnight,这样它就会将所有值设置为00:00:00:

df['normalised_date'] = df['dates'].dt.normalize()

这将dtype保持为datetime64,但是显示只显示日期值。

Pandas: .dt访问器 pandas.Series.dt

如果该列不是datetime格式:

df['DTformat'] = pd.to_datetime(df['col'])

一旦它是datetime格式,你可以将整个列转换为日期,就像这样:

df['DateOnly'] = df['DTformat'].apply(lambda x: x.date())

在>1000000行的表中,我发现这些都是快速的,地板只是稍微快一点:

df['mydate'] = df.index.floor('d')

or

df['mydate'] = df.index.normalize()

如果你的索引有时区,而你不想在结果中显示这些时区,请执行以下操作:

df['mydate'] = df.index.tz_localize(None).floor('d')

Df.index.date要慢很多倍;To_datetime()更糟糕。两者都有进一步的缺点,结果不能保存到hdf存储,因为它不支持datetime.date类型。

注意,这里我使用索引作为日期源;如果您的源是另一列,则需要添加.dt,例如df.mycol.dt.floor('d')

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()

简单的解决方案:

df['date_only'] = df['date_time_column'].dt.date