pandas 可以自动从 CSV 文件中读取日期吗?

Posted

技术标签:

【中文标题】pandas 可以自动从 CSV 文件中读取日期吗?【英文标题】:Can pandas automatically read dates from a CSV file? 【发布时间】:2013-07-02 03:35:37 【问题描述】:

今天,我非常惊讶的是,在从数据文件(例如)读取数据时,pandas 能够识别值的类型:

df = pandas.read_csv('test.dat', delimiter=r"\s+", names=['col1','col2','col3'])

例如可以这样检查:

for i, r in df.iterrows():
    print type(r['col1']), type(r['col2']), type(r['col3'])

尤其是整数、浮点数和字符串被正确识别。但是,我有一列具有以下格式的日期:2013-6-4。这些日期被识别为字符串(而不是 python 日期对象)。有没有办法让熊猫“学习”识别日期?

【问题讨论】:

【参考方案1】:

你应该在阅读时添加parse_dates=Trueparse_dates=['column name'],这通常足以神奇地解析它。但是总是有一些奇怪的格式需要手动定义。在这种情况下,您还可以添加一个日期解析器函数,这是可能的最灵活的方式。

假设您的字符串中有一个“日期时间”列,那么:

from datetime import datetime
dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')

df = pd.read_csv(infile, parse_dates=['datetime'], date_parser=dateparse)

这样您甚至可以将多个列合并为一个日期时间列,这会将一个“日期”和一个“时间”列合并为一个“日期时间”列:

dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')

df = pd.read_csv(infile, parse_dates='datetime': ['date', 'time'], date_parser=dateparse)

您可以找到 strptimestrftime in this page 的指令(即用于不同格式的字母)。

【讨论】:

对我不起作用,我收到以下错误:TypeError: strptime() argument 1 must be str, not float 我收到此错误是因为我的数据框中有 nan。 有一个选项infer_datetime_format:“pandas 将尝试推断列中日期时间字符串的格式”。这可以用来代替date_parser 请注意,如果您的日期是 ISO 8601 格式,则不应传递 infer_datetime_format 或解析器函数 - 这比让 pandas 处理它要慢得多(尤其是后者)。此答案中的日期格式也属于此类 pd.datetime 目前已弃用,在import datetime from datetime 之后仅将pd.datetime 替换为datetime【参考方案2】:

也许自从@Rutger 回答后,pandas 界面发生了变化,但在我使用的版本 (0.15.2) 中,date_parser 函数接收日期列表而不是单个值。在这种情况下,他的代码应该像这样更新:

from datetime import datetime
import pandas as pd

dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d %H:%M:%S') for d in dates]
    
df = pd.read_csv('test.dat', parse_dates=['datetime'], date_parser=dateparse)

由于最初的提问者说他​​想要日期并且日期是2013-6-4 格式,所以dateparse 函数应该是:

dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d').date() for d in dates]

【讨论】:

【参考方案3】:

您可以按照pandas.read_csv() 文档中的建议使用pandas.to_datetime()

如果列或索引包含无法解析的日期,则整个列 或索引将作为对象数据类型原样返回。为了 非标准日期时间解析,在pd.read_csv之后使用pd.to_datetime

演示:

>>> D = 'date': '2013-6-4'
>>> df = pd.DataFrame(D, index=[0])
>>> df
       date
0  2013-6-4
>>> df.dtypes
date    object
dtype: object
>>> df['date'] = pd.to_datetime(df.date, format='%Y-%m-%d')
>>> df
        date
0 2013-06-04
>>> df.dtypes
date    datetime64[ns]
dtype: object

【讨论】:

它也将其他列转换为对象类型的日期【参考方案4】:

当将两列合并为一个日期时间列时,接受的答案会产生错误(pandas 版本 0.20.3),因为这些列是分别发送到 date_parser 函数的。

以下作品:

def dateparse(d,t):
    dt = d + " " + t
    return pd.datetime.strptime(dt, '%d/%m/%Y %H:%M:%S')

df = pd.read_csv(infile, parse_dates='datetime': ['date', 'time'], date_parser=dateparse)

【讨论】:

我正在使用 pandas 0.22 并同意接受的答案不再有效。 这会为我创建一个“TypeError: can only concatenate str (not "float") to str"。日期列是 d/m/y,时间列是 H:M:00【参考方案5】:

pandas read_csv 方法非常适合解析日期。完整的文档在http://pandas.pydata.org/pandas-docs/stable/generated/pandas.io.parsers.read_csv.html

您甚至可以将不同的日期部分放在不同的列中并传递参数:

parse_dates : boolean, list of ints or names, list of lists, or dict
If True -> try parsing the index. If [1, 2, 3] -> try parsing columns 1, 2, 3 each as a
separate date column. If [[1, 3]] -> combine columns 1 and 3 and parse as a single date
column. ‘foo’ : [1, 3] -> parse columns 1, 3 as date and call result ‘foo’

日期的默认感知效果很好,但它似乎偏向于北美日期格式。如果你住在其他地方,你可能偶尔会被结果所吸引。据我所知,2000 年 1 月 6 日在美国意味着 1 月 6 日,而不是我居住的 6 月 1 日。如果使用像 2000 年 6 月 23 日这样的日期,那么将它们左右摆动是足够聪明的。不过,使用 YYYYMMDD 日期变化可能更安全。在这里向 pandas 开发人员道歉,但我最近没有用本地日期对其进行测试。

您可以使用 date_parser 参数传递一个函数来转换您的格式。

date_parser : function
Function to use for converting a sequence of string columns to an array of datetime
instances. The default uses dateutil.parser.parser to do the conversion.

【讨论】:

对于欧洲/国际日期,您可以将 dayfirst 指定为 True。 pandas.pydata.org/pandas-docs/stable/generated/…【参考方案6】:

是的 - 根据pandas.read_csv documentation:

注意:iso8601-formatted 日期存在快速路径。

因此,如果您的 csv 有一个名为 datetime 的列,并且日期看起来像 2013-01-01T01:01,那么运行它将使 pandas(我在 v0.19.2)自动获取日期和时间:

df = pd.read_csv('test.csv', parse_dates=['datetime'])

注意,你需要显式传递parse_dates,没有它是行不通的。

验证:

df.dtypes

你应该看到列的数据类型是datetime64[ns]

【讨论】:

我认为您误解了这个问题。用户很好奇是否可以为他的字符串格式启用该选项。 @AryaMcCarthy 嗯,他基本上是希望日期能够被正确识别,所以我提到他如何转换源数据以便它被熊猫自然识别。他没有提到他不能更改源数据的格式。【参考方案7】:

加载 csv 文件时包含日期列。我们有两种方法来制作 pandas 识别日期列,即

    Pandas 通过 arg date_parser=mydateparser 显式识别格式

    Pandas 通过 agr infer_datetime_format=True隐式识别格式

部分日期列数据

01/01/18

01/02/18

这里我们不知道前两件事可能是一个月或一天。所以在这种情况下,我们必须使用 方法1:- 显式传递格式

    mydateparser = lambda x: pd.datetime.strptime(x, "%m/%d/%y")
    df = pd.read_csv(file_name, parse_dates=['date_col_name'],
date_parser=mydateparser)

方法2:- 隐式或自动识别格式

df = pd.read_csv(file_name, parse_dates=[date_col_name],infer_datetime_format=True)

【讨论】:

【参考方案8】:

除了其他回复所说的之外,如果您必须解析具有数十万个时间戳的非常大的文件,date_parser 可能会成为一个巨大的性能瓶颈,因为它是一个每行调用一次的 Python 函数。通过在解析 CSV 文件时将日期保留为文本,然后一次性将整个列转换为日期,您可以获得相当大的性能改进:

# For a data column
df = pd.read_csv(infile, parse_dates='mydatetime': ['date', 'time'])

df['mydatetime'] = pd.to_datetime(df['mydatetime'], exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a DateTimeIndex
df = pd.read_csv(infile, parse_dates='mydatetime': ['date', 'time'], index_col='mydatetime')

df.index = pd.to_datetime(df.index, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a MultiIndex
df = pd.read_csv(infile, parse_dates='mydatetime': ['date', 'time'], index_col=['mydatetime', 'num'])

idx_mydatetime = df.index.get_level_values(0)
idx_num = df.index.get_level_values(1)
idx_mydatetime = pd.to_datetime(idx_mydatetime, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
df.index = pd.MultiIndex.from_arrays([idx_mydatetime, idx_num])

对于具有 200k 行(每行一个时间戳)的文件的用例,这将处理时间从大约一分钟减少到不到一秒。

【讨论】:

您是否尝试过 read_csv 的 infer_datetime_format 参数。如果您的日期格式一致,它会推断出日期。它加快了这个过程。 我会,但是我的日期格式很奇怪,月份在前,毫秒部分用第三个冒号而不是点分隔。无论如何,我认为将这种方法写在某个地方仍然很有用,因为大多数来源要么使用推理,要么使用 date_parser,没有给出 date_format 的快速替代方案。 IIRC 文档对于如何将多个日期列作为数组传递给 parse_dates 时如何组合也含糊不清(它们用空格分隔)。【参考方案9】:

如果性能对您很重要,请确保您的时间:

import sys
import timeit
import pandas as pd

print('Python %s on %s' % (sys.version, sys.platform))
print('Pandas version %s' % pd.__version__)

repeat = 3
numbers = 100

def time(statement, _setup=None):
    print (min(
        timeit.Timer(statement, setup=_setup or setup).repeat(
            repeat, numbers)))

print("Format %m/%d/%y")
setup = """import pandas as pd
import io

data = io.StringIO('''\
ProductCode,Date
''' + '''\
x1,07/29/15
x2,07/29/15
x3,07/29/15
x4,07/30/15
x5,07/29/15
x6,07/29/15
x7,07/29/15
y7,08/05/15
x8,08/05/15
z3,08/05/15
''' * 100)"""

time('pd.read_csv(data); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"]); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
     'infer_datetime_format=True); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
     'date_parser=lambda x: pd.datetime.strptime(x, "%m/%d/%y")); data.seek(0)')

print("Format %Y-%m-%d %H:%M:%S")
setup = """import pandas as pd
import io

data = io.StringIO('''\
ProductCode,Date
''' + '''\
x1,2016-10-15 00:00:43
x2,2016-10-15 00:00:56
x3,2016-10-15 00:00:56
x4,2016-10-15 00:00:12
x5,2016-10-15 00:00:34
x6,2016-10-15 00:00:55
x7,2016-10-15 00:00:06
y7,2016-10-15 00:00:01
x8,2016-10-15 00:00:00
z3,2016-10-15 00:00:02
''' * 1000)"""

time('pd.read_csv(data); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"]); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
     'infer_datetime_format=True); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
     'date_parser=lambda x: pd.datetime.strptime(x, "%Y-%m-%d %H:%M:%S")); data.seek(0)')

打印:

Python 3.7.1 (v3.7.1:260ec2c36a, Oct 20 2018, 03:13:28) 
[Clang 6.0 (clang-600.0.57)] on darwin
Pandas version 0.23.4
Format %m/%d/%y
0.19123052499999993
8.20691274
8.143124389
1.2384357139999977
Format %Y-%m-%d %H:%M:%S
0.5238807110000039
0.9202787830000005
0.9832778819999959
12.002349824999996

所以对于 iso8601 格式的日期(%Y-%m-%d %H:%M:%S 显然是一个 iso8601 格式的日期,我猜是 T can be dropped 并用空格代替)你应该指定infer_datetime_format(其中显然与更常见的解析器没有区别)并且传递您自己的解析器只会削弱性能。另一方面,date_parser 确实与不那么标准的日期格式有所不同。像往常一样,请务必在优化之前安排好时间。

【讨论】:

【参考方案10】:

您可以将参数date_parser 与用于将字符串列的序列 转换为日期时间实例数组的函数一起使用:

parser = lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M:%S')
pd.read_csv('path', date_parser=parser, parse_dates=['date_col1', 'date_col2'])

【讨论】:

【参考方案11】:

不,pandas 无法自动识别日期列。

Pandas 在类型推断方面做得很差。它基本上将大多数列作为通用 object 类型,除非您手动解决它,例如。使用上述parse_dates 参数。

如果您想自动检测列类型,则必须使用单独的数据分析工具,例如。 visions,然后将推断的类型转换或反馈回您的DataFrame 构造函数(例如,对于日期和from_csv,使用parse_dates 参数)。

【讨论】:

以上是关于pandas 可以自动从 CSV 文件中读取日期吗?的主要内容,如果未能解决你的问题,请参考以下文章

当日期和时间在不同的列中时,将数据从 csv 读取到 pandas

使用 pandas 读取“csv”文件时解析日期时间

pandas使用read_csv函数读取文件并解析日期数据列(parse dates)pandas使用read_csv函数读取文件并将缺失值转化为空字符串

按创建日期过滤多个 csv 文件并连接成一个 pandas DataFrame

使用 pandas 读取 CSV 日期会返回 datetime 而不是 Timestamp

Pandas日期数据处理:如何按日期筛选显示及统计数据