Informationen zur Verarbeitung von Datumsdaten mit dem dt-Accessor der Pandas-Bibliothek von Python
Nach der Konvertierung vom Objekt in Datumsdaten mit der Funktion to_datetime etc. Wechseln Sie zu einem beliebigen Datumstyp oder extrahieren Sie Datumsdaten eines bestimmten Teils
Erstellen Sie zunächst Zeitdaten
import pandas as pd
date_data = pd.DataFrame({'date':
['2020-04-01 01:01:01',
'2021-04-02 02:02:02',
'2022-04-03 03:03:03',
'2023-04-04 04:04:04',
'2024-05-05 05:05:05']})
date_data
| date | |
|---|---|
| 0 | 2020-04-01 01:01:01 |
| 1 | 2021-04-02 02:02:02 |
| 2 | 2022-04-03 03:03:03 |
| 3 | 2023-04-04 04:04:04 |
| 4 | 2024-05-05 05:05:05 |
Mal sehen, welche Art von Daten
date_data.dtypes
date object
dtype: object
Derzeit ist der Typ date_data ['date'] ein Objekt
Lassen Sie uns dies zunächst in einen Datentyp ändern, der als Datum behandelt werden kann
date_data['date'] = pd.to_datetime(date_data['date'])
date_data['date']
0 2020-04-01 01:01:01
1 2021-04-02 02:02:02
2 2022-04-03 03:03:03
3 2023-04-04 04:04:04
4 2024-05-05 05:05:05
Name: date, dtype: datetime64[ns]
Der dt-Accessor ist wie folgt
pandas.Series.dt
Series.dt()[source]
Accessor object for datetimelike properties of the Series values.
date_data['date'].dt.year
0 2020
1 2021
2 2022
3 2023
4 2024
Name: date, dtype: int64
date_data['date'].dt.month
0 4
1 4
2 4
3 4
4 5
Name: date, dtype: int64
date_data['date'].dt.day
0 1
1 2
2 3
3 4
4 5
Name: date, dtype: int64
date_data['date'].dt.second
0 1
1 2
2 3
3 4
4 5
Name: date, dtype: int64
Es gab eine Funktion namens strftime. "strf" scheint eine Abkürzung für "str format" zu sein.
date_data['date'].dt.strftime("%y/%m")
0 20/04
1 21/04
2 22/04
3 23/04
4 24/05
Name: date, dtype: object
ex:2002/04/01 Wenn Sie% y →% Y ändern, sind es 4 Ziffern.
date_data['date'].dt.strftime("%Y/%M/%d")
0 2020/01/01
1 2021/02/02
2 2022/03/03
3 2023/04/04
4 2024/05/05
Name: date, dtype: object
Das ist alles für jetzt.