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

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())

其他回答

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'))

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。”

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()

这在UTC时间戳上为我工作(2020-08-19T09:12:57.945888)

for di, i in enumerate(df['YourColumnName']):
    df['YourColumnName'][di] = pd.Timestamp(i)

转换为datetime64[D]:

df.dates.values.astype('M8[D]')

尽管将其重新分配给DataFrame col会将其恢复为[ns]。

如果你想要实际的datetime.date:

dt = pd.DatetimeIndex(df.dates)
dates = np.array([datetime.date(*date_tuple) for date_tuple in zip(dt.year, dt.month, dt.day)])