今天，我非常惊讶地发现，当从数据文件读取数据时(例如)，熊猫能够识别值的类型:
df = pandas.read_csv('test.dat', delimiter=r"\s+", names=['col1','col2','col3'])
例如，可以这样检查:
for i, r in df.iterrows():
print type(r['col1']), type(r['col2']), type(r['col3'])
特别是整数、浮点数和字符串被正确识别。但是，我有一列的日期格式如下:2013-6-4。这些日期被识别为字符串(而不是python date-objects)。
当前回答
你可以在pandas.read_csv()的文档中使用pandas.to_datetime():
如果列或索引包含不可解析的日期，则整个列 或index将作为对象数据类型原封不动地返回。为 非标准的日期时间解析，使用pd。pd.read_csv后的To_datetime。
演示:
>>> D = {'date': '2013-6-4'}
>>> df = pd.DataFrame(D, index=[0])
>>> df
date
0 2013-6-4
>>> df.dtypes
date object
dtype: object
>>> df['date'] = pd.to_datetime(df.date, format='%Y-%m-%d')
>>> df
date
0 2013-06-04
>>> df.dtypes
date datetime64[ns]
dtype: object
其他回答
当将两个列合并为单个datetime列时，接受的答案将生成一个错误(pandas版本0.20.3)，因为列分别发送给date_parser函数。
以下工作:
def dateparse(d,t):
dt = d + " " + t
return pd.datetime.strptime(dt, '%d/%m/%Y %H:%M:%S')
df = pd.read_csv(infile, parse_dates={'datetime': ['date', 'time']}, date_parser=dateparse)
是的——根据熊猫的说法。read_csv文档:
注意:对于iso8601格式的日期存在快速路径。
因此，如果您的csv有一个名为datetime的列，日期看起来像2013-01-01T01:01，例如，运行这个将使pandas(我在v0.19.2)自动获取日期和时间:
Df = pd.read_csv('test.csv'， parse_dates=['datetime'])
请注意，您需要显式地传递parse_dates，否则它无法工作。
验证:
df.dtypes
您应该看到该列的数据类型是datetime64[ns]
你可以使用参数date_parser和一个函数来将一个字符串列序列转换为一个datetime实例数组:
parser = lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M:%S')
pd.read_csv('path', date_parser=parser, parse_dates=['date_col1', 'date_col2'])
你应该在读取时添加parse_dates=True，或者parse_dates=['列名']，这通常足以神奇地解析它。但是总有一些奇怪的格式需要手动定义。在这种情况下，还可以添加日期解析器函数，这是最灵活的方法。
假设你的字符串有一个列'datetime'，那么:
from datetime import datetime
dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')
df = pd.read_csv(infile, parse_dates=['datetime'], date_parser=dateparse)
通过这种方式，你甚至可以将多个列合并到一个datetime列中，这将'date'和'time'列合并到一个'datetime'列中:
dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')
df = pd.read_csv(infile, parse_dates={'datetime': ['date', 'time']}, date_parser=dateparse)
你可以在本页找到strptime和strftime的指令(即用于不同格式的字母)。
你可以在pandas.read_csv()的文档中使用pandas.to_datetime():
如果列或索引包含不可解析的日期，则整个列 或index将作为对象数据类型原封不动地返回。为 非标准的日期时间解析，使用pd。pd.read_csv后的To_datetime。
演示:
>>> D = {'date': '2013-6-4'}
>>> df = pd.DataFrame(D, index=[0])
>>> df
date
0 2013-6-4
>>> df.dtypes
date object
dtype: object
>>> df['date'] = pd.to_datetime(df.date, format='%Y-%m-%d')
>>> df
date
0 2013-06-04
>>> df.dtypes
date datetime64[ns]
dtype: object
