19

日付はPythonでは扱いにくいようで、パンダのタイムスタンプから日付を単純に取り除くのに苦労しています。2013-09-29 02:34:44から簡単に取得したい09-29-2013

Created_date 列を持つデータフレームがあります。

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

.date()このシリーズにメソッドを適用しようとしましたdf.Created_Date.date()が、エラーが発生しましたAttributeError: 'Series' object has no attribute 'date'

誰かが私を助けることができますか？

4

4 に答える 4

37

map要素について：

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

を構成する要素のメソッドをdatetime.date呼び出すことで、生のオブジェクトを取得できます。date()TimestampSeries

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)

これを行うさらに別の方法は、バインドされていないTimestamp.dateメソッドを呼び出すことです。

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

この方法が最も速く、IMHO が最も読みやすいです。Timestamp次のように、最上位pandasモジュールでアクセスできますpandas.Timestamp。説明のために直接インポートしました。

オブジェクトのdate属性はDatetimeIndex似たようなことを行いますが、numpy代わりにオブジェクト配列を返します:

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)

より大きなdatetime64[ns] Seriesオブジェクトの場合、呼び出しTimestamp.dateはoperator.methodcallera よりもわずかに高速です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

の目標の 1 つは、(ほとんどの場合) の低レベルの詳細に対処する必要がないように、 のpandas上にレイヤーを提供することであることに注意してください。そのため、配列内の生のオブジェクトを取得することは、サポートされているものに対応していないため、使用が制限されています（[それはナノ秒] dtypeのみをサポートしています）。とはいえ、これを行う必要がある場合もあります。numpyndarraydatetime.datenumpy.dtypepandaspandasdatetime64[ns]

于 2013-10-01T00:19:43.670 に答える
3

これは最近登場したばかりかもしれませんが、これには組み込みのメソッドがあります。試す：

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)
于 2016-02-12T03:13:39.273 に答える