【问题标题】:Get MM-DD-YYYY from pandas Timestamp从 pandas Timestamp 获取 MM-DD-YYYY
【发布时间】:2013-10-07 00:14:45
【问题描述】:

日期在 python 中似乎是一件棘手的事情,我在简单地从 pandas TimeStamp 中删除日期时遇到了很多麻烦。我想从2013-09-29 02:34:44 变成简单的09-29-2013

我有一个包含 Created_date 列的数据框:

Name: Created_Date, Length: 1162549, dtype: datetime64[ns]`

我已尝试在此系列上应用.date() 方法,例如:df.Created_Date.date(),但我收到错误AttributeError: 'Series' object has no attribute 'date'

谁能帮帮我?

【问题讨论】:

    标签: python date pandas


    【解决方案1】:

    我会这样做。

    pdTime =pd.date_range(timeStamp, periods=len(years), freq="D")
    pdTime[i].strftime('%m-%d-%Y')
    

    【讨论】:

      【解决方案2】:

      您可以尝试在dataframe 的datetime64[ns] 上使用.dt.date。

      例如df['Created_date'] = df['Created_date'].dt.date

      输入dataframe命名为test_df:

      print(test_df)
      

      结果:

               Created_date
      0     2015-03-04 15:39:16
      1     2015-03-22 17:36:49
      2     2015-03-25 22:08:45
      3     2015-03-16 13:45:20
      4     2015-03-19 18:53:50
      

      检查dtypes:

      print(test_df.dtypes)
      

      结果:

      Created_date    datetime64[ns]
      dtype: object
      

      提取date 并更新Created_date 列:

      test_df['Created_date'] = test_df['Created_date'].dt.date
      print(test_df)
      

      结果:

        Created_date
      0   2015-03-04
      1   2015-03-22
      2   2015-03-25
      3   2015-03-16
      4   2015-03-19
      

      【讨论】:

        【解决方案3】:

        也许这是最近才出现的,但有内置的方法。试试:

        In [27]: s = pd.Series(pd.date_range(pd.Timestamp('now'), periods=2))
        In [28]: s
        Out[28]: 
        0   2016-02-11 19:11:43.386016
        1   2016-02-12 19:11:43.386016
        dtype: datetime64[ns]
        In [29]: s.dt.to_pydatetime()
        Out[29]: 
        array([datetime.datetime(2016, 2, 11, 19, 11, 43, 386016),
           datetime.datetime(2016, 2, 12, 19, 11, 43, 386016)], dtype=object)
        

        【讨论】:

          【解决方案4】:

          map 以上元素:

          In [239]: from operator import methodcaller
          
          In [240]: s = Series(date_range(Timestamp('now'), periods=2))
          
          In [241]: s
          Out[241]:
          0   2013-10-01 00:24:16
          1   2013-10-02 00:24:16
          dtype: datetime64[ns]
          
          In [238]: s.map(lambda x: x.strftime('%d-%m-%Y'))
          Out[238]:
          0    01-10-2013
          1    02-10-2013
          dtype: object
          
          In [242]: s.map(methodcaller('strftime', '%d-%m-%Y'))
          Out[242]:
          0    01-10-2013
          1    02-10-2013
          dtype: object
          

          您可以通过调用构成Series 的Timestamp 元素的date() 方法来获取原始datetime.date 对象:

          In [249]: s.map(methodcaller('date'))
          
          Out[249]:
          0    2013-10-01
          1    2013-10-02
          dtype: object
          
          In [250]: s.map(methodcaller('date')).values
          
          Out[250]:
          array([datetime.date(2013, 10, 1), datetime.date(2013, 10, 2)], dtype=object)
          

          另一种方法是调用未绑定的Timestamp.date 方法:

          In [273]: s.map(Timestamp.date)
          Out[273]:
          0    2013-10-01
          1    2013-10-02
          dtype: object
          

          此方法最快,恕我直言,可读性最强。 Timestamp 可在顶级 pandas 模块中访问,如下所示:pandas.Timestamp。出于说明目的,我直接导入了它。

          DatetimeIndex 对象的date 属性做类似的事情,但返回一个numpy 对象数组:

          In [243]: index = DatetimeIndex(s)
          
          In [244]: index
          Out[244]:
          <class 'pandas.tseries.index.DatetimeIndex'>
          [2013-10-01 00:24:16, 2013-10-02 00:24:16]
          Length: 2, Freq: None, Timezone: None
          
          In [246]: index.date
          Out[246]:
          array([datetime.date(2013, 10, 1), datetime.date(2013, 10, 2)], dtype=object)
          

          对于较大的datetime64[ns] Series 对象,调用Timestamp.date 比operator.methodcaller 快,后者比lambda 稍快:

          In [263]: f = methodcaller('date')
          
          In [264]: flam = lambda x: x.date()
          
          In [265]: fmeth = Timestamp.date
          
          In [266]: s2 = Series(date_range('20010101', periods=1000000, freq='T'))
          
          In [267]: s2
          Out[267]:
          0    2001-01-01 00:00:00
          1    2001-01-01 00:01:00
          2    2001-01-01 00:02:00
          3    2001-01-01 00:03:00
          4    2001-01-01 00:04:00
          5    2001-01-01 00:05:00
          6    2001-01-01 00:06:00
          7    2001-01-01 00:07:00
          8    2001-01-01 00:08:00
          9    2001-01-01 00:09:00
          10   2001-01-01 00:10:00
          11   2001-01-01 00:11:00
          12   2001-01-01 00:12:00
          13   2001-01-01 00:13:00
          14   2001-01-01 00:14:00
          ...
          999985   2002-11-26 10:25:00
          999986   2002-11-26 10:26:00
          999987   2002-11-26 10:27:00
          999988   2002-11-26 10:28:00
          999989   2002-11-26 10:29:00
          999990   2002-11-26 10:30:00
          999991   2002-11-26 10:31:00
          999992   2002-11-26 10:32:00
          999993   2002-11-26 10:33:00
          999994   2002-11-26 10:34:00
          999995   2002-11-26 10:35:00
          999996   2002-11-26 10:36:00
          999997   2002-11-26 10:37:00
          999998   2002-11-26 10:38:00
          999999   2002-11-26 10:39:00
          Length: 1000000, dtype: datetime64[ns]
          
          In [269]: timeit s2.map(f)
          1 loops, best of 3: 1.04 s per loop
          
          In [270]: timeit s2.map(flam)
          1 loops, best of 3: 1.1 s per loop
          
          In [271]: timeit s2.map(fmeth)
          1 loops, best of 3: 968 ms per loop
          

          请记住,pandas 的目标之一是在numpy 之上提供一个层,以便(大多数时候)您不必处理@987654345 的低级细节@。因此,在数组中获取原始datetime.date 对象的用途有限,因为它们不对应于pandas 支持的任何numpy.dtype(pandas 仅支持datetime64[ns] [那是纳秒] dtypes)。也就是说,有时您需要这样做。

          【讨论】:

          • 非常感谢您的全面回答! FWIW,我注意到s.map(methodcaller('date')) 似乎是这里给出的三个选项中最快的。
          • @blaklaybul 很高兴知道。我会放一些timeits。
          • @blaklaybul 我添加了另一种方法来使用未绑定的Timestamp.date 方法。这是最快的。
          • 只为美丽:使用s=Series(date_range(Timestamp('now'), periods=2)) 的“s”创作少了一点打字
          • 我相信@Phillip 的意图是创建一个大系列,以便他可以使用 ipython 的超时魔法测试他的每个方法的效率。
          猜你喜欢
          • 1970-01-01
          • 1970-01-01
          • 1970-01-01
          • 1970-01-01
          • 1970-01-01
          • 2014-04-30
          • 2017-04-11
          • 1970-01-01
          • 2020-02-24
          相关资源
          最近更新 更多