web-dev-qa-db-fra.com

Obtenez MM-JJ-AAAA de l'horodatage des pandas

les dates semblent être une chose délicate en python, et j’ai beaucoup de mal à simplement supprimer la date du pandas TimeStamp. J'aimerais passer de 2013-09-29 02:34:44 à tout simplement 09-29-2013

J'ai un dataframe avec une colonne Created_date:

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

J'ai essayé d'appliquer la méthode .date() sur cette série, par exemple: df.Created_Date.date(), mais l'erreur AttributeError: 'Series' object has no attribute 'date' s'affiche.

Est-ce que quelqu'un peut m'aider?

pythondatepandas
16
blaklaybul

map sur les éléments:

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

Vous pouvez obtenir les objets datetime.date bruts en appelant la méthode date() des éléments Timestamp qui constituent la Series:

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)

Pourtant, la autre manière de procéder consiste à appeler la méthode non liée Timestamp.date:

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

Cette méthode est la plus rapide et IMHO la plus lisible. Timestamp est accessible dans le module pandas de niveau supérieur, comme suit: pandas.Timestamp. Je l'ai importé directement à des fins d'exposition.

L'attribut date des objets DatetimeIndex a le même effet, mais renvoie à la place un tableau d'objets numpy:

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)

Pour les objets datetime64[ns]Series plus grands, l'appel de Timestamp.date est plus rapide que operator.methodcaller, ce qui est légèrement plus rapide qu'un lambda:

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

N'oubliez pas que l'un des objectifs de pandas est de fournir une couche au-dessus de numpy afin que (la plupart du temps) vous n'ayez pas à traiter avec les détails de bas niveau de ndarray. Donc, obtenir les objets datetime.date bruts dans un tableau est d'une utilité limitée car ils ne correspondent à aucun numpy.dtype pris en charge par pandas (pandas ne supporte que datetime64[ns] [c'est nanosecondes] dtypes). Cela dit, vous devez parfois le faire.

31
Phillip Cloud

Cela n’est peut-être arrivé que récemment, mais il existe des méthodes intégrées. Essayer:

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)
3
drenerbas

Vous pouvez essayer d'utiliser .dt.date sur datetime64[ns] de dataframe.

Par exemple df['Created_date'] = df['Created_date'].dt.date

Entrez dataframe nommé test_df:

print(test_df)

Résultat:

         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

Vérification dtypes:

print(test_df.dtypes)

Résultat:

Created_date    datetime64[ns]
dtype: object

Extraction de date et mise à jour de la colonne Created_date:

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

Résultat:

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

eh bien, je referais ce chemin.

pdTime =pd.date_range(timeStamp, periods=len(years), freq="D")
pdTime[i].strftime('%m-%d-%Y')
0
Charles Haynes