web-dev-qa-db-fra.com

python/pandas: convertit month int en nom du mois

La plupart des informations que j'ai trouvées n'étaient pas dans python> pandas> dataframe d'où la question.

Je veux transformer un entier compris entre 1 et 12 en un nom de mois abriérié.

J'ai un df qui ressemble à:

   client Month
1  sss    02
2  yyy    12
3  www    06

Je veux que le df ressemble à ceci:

   client Month
1  sss    Feb
2  yyy    Dec
3  www    Jun
pythondatepandasdataframemonthcalendar
12
Boosted_d16

Vous pouvez le faire efficacement en combinant calendar.month_abbr et df[col].apply()

import calendar
df['Month'] = df['Month'].apply(lambda x: calendar.month_abbr[x])
14
EoinS

Une méthode consiste à utiliser la méthode apply dans le cadre de données, mais pour cela, vous avez besoin d’une carte permettant de convertir les mois. Vous pouvez le faire avec une fonction/dictionnaire ou avec le propre date/heure de Python.

Avec le datetime, ce serait quelque chose comme:

def mapper(month):
    date = datetime.datetime(2000, month, 1)  # You need a dateobject with the proper month
    return date.strftime('%b')  # %b returns the months abbreviation, other options [here][1]

df['Month'].apply(mapper)


De manière similaire, vous pouvez créer votre propre carte pour des noms personnalisés. Cela ressemblerait à ceci:

months_map = {01: 'Jan', 02: 'Feb'}
def mapper(month):
    return months_map[month]


De toute évidence, vous n'avez pas besoin de définir explicitement ces fonctions et pouvez utiliser un lambda directement dans la méthode apply.

4
pekapa

Utilisez les fonctions strptime et lambda pour ceci:

from time import strptime
df['Month'] = df['Month'].apply(lambda x: strptime(x,'%b').tm_mon)
3
Vagee

Vous pouvez le faire facilement avec une colonne à appliquer.

import pandas as pd

df = pd.DataFrame({'client':['sss', 'yyy', 'www'], 'Month': ['02', '12', '06']})

look_up = {'01': 'Jan', '02': 'Feb', '03': 'Mar', '04': 'Apr', '05': 'May',
            '06': 'Jun', '07': 'Jul', '08': 'Aug', '09': 'Sep', '10': 'Oct', '11': 'Nov', '12': 'Dec'}

df['Month'] = df['Month'].apply(lambda x: look_up[x])
df

  Month client
0   Feb    sss
1   Dec    yyy
2   Jun    www
2
andrew

Comme les noms de mois abrégés sont les trois premières lettres de leurs noms complets, nous pourrions d’abord convertir la colonne Month en datetime, puis utiliser dt.month_name() pour obtenir le nom complet du mois et enfin utiliser la méthode str.slice() pour obtenir les trois premières lettres, en utilisant tous seulement dans une ligne de code:

df['Month'] = pd.to_datetime(df['Month'], format='%m').dt.month_name().str.slice(stop=3)

df

  Month client
0   Feb sss
1   Dec yyy
2   Jun www
1
today
def mapper(month):
   return month.strftime('%b') 

df['Month'] = df['Month'].apply(mapper)

Référence:

0
Suhas_Pote

Le module calendar est utile, mais calendar.month_abbr est semblable à un tableau: il ne peut pas être utilisé directement de manière vectorielle. Pour un mappage efficace, vous pouvez construire un dictionnaire puis utiliser pd.Series.map:

import calendar
d = dict(enumerate(calendar.month_abbr))
df['Month'] = df['Month'].map(d)

L'analyse comparative des performances montre un différentiel de performance d'environ 130 fois:

import calendar

d = dict(enumerate(calendar.month_abbr))
mapper = calendar.month_abbr.__getitem__

np.random.seed(0)
n = 10**5
df = pd.DataFrame({'A': np.random.randint(1, 13, n)})

%timeit df['A'].map(d)       # 7.29 ms per loop
%timeit df['A'].map(mapper)  # 946 ms per loop
0
jpp

Ayant testé tous ces éléments sur un grand ensemble de données, j'ai constaté que les solutions suivantes étaient les plus rapides:

import calendar
def month_mapping():
    # I'm lazy so I have a stash of functions already written so
    # I don't have to write them out every time. This returns the
    # {1:'Jan'....12:'Dec'} dict in the laziest way...
    abbrevs = {}
    for month in range (1, 13):
        abbrevs[month] = calendar.month_abbr[month]
    return abbrevs

abbrevs = month_mapping()

df['Month Abbrev'} = df['Date Col'].dt.month.map(mapping)
0
Heather