我正在寻找一种将 YYYYmmdd 格式给出的日期转换为 dtype='datetime64' 的 np.array 的方法。日期存储在另一个 np.array 中，但 dtype='float64'。
我正在寻找一种通过避免使用 Pandas 来实现这一目标的方法！
我已经尝试过类似answer 中建议的方法，但作者指出“[...] 如果（日期格式）在 ISO 8601 中，您可以使用 numpy 直接解析它，[...]” .
由于在我的情况下日期格式是 YYYYmmdd，它是（？） ISO 8601，所以应该可以使用 numpy 直接解析它。但我不知道如何，因为我是 python 和一般编码的初学者。
我真的尽量避免使用 Pandas，因为当有办法通过使用我已经在使用的模块完成任务时，我不想让我的脚本变得臃肿。我还读到它会降低速度here。
【问题讨论】：
标签： python python-3.x numpy datetime datetime-format
如果没有其他人想出更多内置的东西，这里是一个普通的方法：
>>> dates
array([19700101., 19700102., 19700103., 19700104., 19700105., 19700106.,
19700107., 19700108., 19700109., 19700110., 19700111., 19700112.,
19700113., 19700114.])
>>> y, m, d = dates.astype(int) // np.c_[[10000, 100, 1]] % np.c_[[10000, 100, 100]]
>>> y.astype('U4').astype('M8') + (m-1).astype('m8[M]') + (d-1).astype('m8[D]')
array(['1970-01-01', '1970-01-02', '1970-01-03', '1970-01-04',
'1970-01-05', '1970-01-06', '1970-01-07', '1970-01-08',
'1970-01-09', '1970-01-10', '1970-01-11', '1970-01-12',
'1970-01-13', '1970-01-14'], dtype='datetime64[D]')
【讨论】：
dates.astype(int) 之后的任何内容？
np.c_[] 可用于创建列向量；这里的效果是，由于广播地板除法的结果// 是可以在日期和10000, 100, 1 之间形成的每一对的完整表。因此，我们得到了三份日期副本，一份删除了最后 4 位数字，一份删除了最后两位数字，一份未更改。 % 在这里是模数，它从左边删除除 4 位以外的所有数字（在这个地方是一个 nop），除 2 位之外的所有数字都删除两次。因此，我们将在变量 y, m, d 中分别包含年、月和日。
a[(a.astype('M8[M]') - a.astype('M8[Y]')).view(int) == 2]
您可以通过 python 日期时间模块。
from datetime import datetime
import numpy as np
datestrings = np.array(["18930201", "19840404"])
dtarray = np.array([datetime.strptime(d, "%Y%m%d") for d in datestrings], dtype="datetime64[D]")
print(dtarray)
# out: ['1893-02-01' '1984-04-04'] datetime64[D]
由于真正的问题seems to be如何将给定的字符串转换为matplotlib日期时间格式，
from datetime import datetime
import numpy as np
from matplotlib import dates as mdates
datestrings = np.array(["18930201", "19840404"])
mpldates = mdates.datestr2num(datestrings)
print(mpldates)
# out: [691071. 724370.]
【讨论】：
datetime64。几天前，我尝试了datestr2num()，但相关的绘图并没有以方便的格式显示 x 轴上的日期。所以我切换回对我有用的东西，因为我的时间不多了。
mpldates，您需要自己在轴上设置定位器和格式化程序。关于速度，您想通过不使用 pandas 来节省几毫秒的时间，同时尝试在屏幕上绘制 40k 数据，这有点自相矛盾。图形输出始终是瓶颈。还要考虑一下，人们可能已经花时间试图避免将 pandas 用于学习 pandas。例如。您可以使用 pandas 将 40k 数据子采样到一个较小的数据集中，这在绘图时要快得多。