使用 pd.to_datetime 处理多种日期时间格式
Posted
技术标签:
【中文标题】使用 pd.to_datetime 处理多种日期时间格式【英文标题】:Handling multiple datetime formats with pd.to_datetime 【发布时间】:2018-04-25 15:44:49 【问题描述】:我有一个数据时间数据,它们的格式类似于29062017
和01AUG2017
。
如您所见,月份位于数据中间。
当我使用pd.to_datetime
时,我想将此数据转换为日期时间,但它不起作用。
你知道解决这个问题的好方法吗?
【问题讨论】:
您的专栏有混合格式吗?如果不是,第一种格式很简单——'%d%m%Y'
,第二种是'%d%b%Y'
。如果是,您需要在转换前进行一些预处理。
【参考方案1】:
你可以使用pd.to_datetime
的格式arg:
In [11]: s = pd.Series(["29062017", "01AUG2017"])
In [12]: pd.to_datetime(s, format="%d%m%Y", errors="coerce")
Out[12]:
0 2017-06-29
1 NaT
dtype: datetime64[ns]
In [13]: pd.to_datetime(s, format="%d%b%Y", errors="coerce")
Out[13]:
0 NaT
1 2017-08-01
dtype: datetime64[ns]
注意:coerce
参数意味着失败将是NaT
。
然后将NaN
s 从一个填入另一个,例如使用fillna
:
In [14]: pd.to_datetime(s, format="%d%m%Y", errors="coerce").fillna(pd.to_datetime(s, format="%d%b%Y", errors="coerce"))
Out[14]:
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
任何不匹配任一格式的字符串都将保留 NaT。
【讨论】:
这是一种选择。我实际上是在考虑替换后进行转换(如我的回答)。 @cᴏʟᴅsᴘᴇᴇᴅ 我敢打赌这会更快,但我认为两者都很好。 我也是这么认为的,因为基于正则表达式的替换通常很慢。我在s = pd.concat([s] * 100000)
上做了一个基准测试……有趣的是……你的是1.01s
,我的是1s
。并驾齐驱!如果您看到任何不同的结果,请告诉我。
添加了一些您可能会感兴趣的选项
@cᴏʟᴅsᴘᴇᴇᴅ - 很久以前 - 在 pandas 正在使用的 python 日期时间库中四处寻找(也许现在更好/不同了)......我不会再匆匆忙忙 - 日期时间处理是一个痛苦的世界。【参考方案2】:
替代方法是使用映射器和replace
将月份代码替换为对应的数字:
s = pd.Series(["29062017", "01AUG2017"]); s
0 29062017
1 01AUG2017
dtype: object
m = 'JAN' : '01', ..., 'AUG' : '08', ... # you fill in the rest
s = s.replace(m, regex=True); s
0 29062017
1 01082017
dtype: object
现在您只需要一个pd.to_datetime
电话:
pd.to_datetime(s, format="%d%m%Y", errors="coerce")
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
【讨论】:
添加了一些您可能会感兴趣的选项【参考方案3】:因为你有两种类型的日期时间......
s.apply(lambda x : pd.to_datetime(x, format="%d%m%Y") if x.isdigit() else pd.to_datetime(x, format="%d%b%Y"))
Out[360]:
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
【讨论】:
添加了一些您可能会感兴趣的选项 @piRSquared 如果有超过 3 种类型,我会更喜欢你的方法 :-) 或s.apply(lambda x : pd.to_datetime(x, format="%d%%Y".format("m" if x.isdigit() else "b")))
【参考方案4】:
我想权衡一些选择
设置
m = dict(
JAN='01', FEB='02', MAR='03', APR='04',
MAY='05', JUN='06', JUL='07', AUG='08',
SEP='09', OCT='10', NOV='11', DEC='12'
)
m2 = m.copy()
m2.update(v: v for v in m.values())
f = lambda x: m.get(x, x)
选项 1 列表理解
pd.Series(
pd.to_datetime(
[x[:2] + f(x[2:5]) + x[5:] for x in s.values.tolist()],
format='%d%m%Y'),
s.index)
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
选项 2 创建数据框
pd.to_datetime(
pd.DataFrame(dict(
day=s.str[:2],
year=s.str[-4:],
month=s.str[2:-4].map(m2)
)))
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
选项 2B 创建数据框
pd.to_datetime(
pd.DataFrame(dict(
day=s.str[:2],
year=s.str[-4:],
month=s.str[2:-4].map(f)
)))
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
选项 2C 创建数据框 我估计这是最快的
pd.to_datetime(
pd.DataFrame(dict(
day=s.str[:2].astype(int),
year=s.str[-4:].astype(int),
month=s.str[2:-4].map(m2).astype(int)
)))
0 2017-06-29
1 2017-08-01
dtype: datetime64[ns]
测试
s = pd.Series(["29062017", "01AUG2017"] * 100000)
%timeit pd.to_datetime(s.replace(m, regex=True), format='%d%m%Y')
%timeit pd.to_datetime(s.str[:2] + s.str[2:5].replace(m) + s.str[5:], format='%d%m%Y')
%timeit pd.to_datetime(s.str[:2] + s.str[2:5].map(f) + s.str[5:], format='%d%m%Y')
%timeit pd.to_datetime(s, format='%d%m%Y', errors='coerce').fillna(pd.to_datetime(s, format='%d%b%Y', errors='coerce'))
%timeit pd.Series(pd.to_datetime([x[:2] + f(x[2:5]) + x[5:] for x in s.values.tolist()], format='%d%m%Y'), s.index)
%timeit pd.to_datetime(pd.DataFrame(dict(day=s.str[:2], year=s.str[-4:], month=s.str[2:-4].map(m2))))
%timeit pd.to_datetime(pd.DataFrame(dict(day=s.str[:2], year=s.str[-4:], month=s.str[2:-4].map(f))))
%timeit pd.to_datetime(pd.DataFrame(dict(day=s.str[:2].astype(int), year=s.str[-4:].astype(int), month=s.str[2:-4].map(m2).astype(int))))
1.39 s ± 24 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
690 ms ± 17.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
613 ms ± 13.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
533 ms ± 14.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
529 ms ± 8.04 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
557 ms ± 13 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
607 ms ± 26.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
328 ms ± 31.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
【讨论】:
我没有看到 pd.to_datetime 可以采用 DataFrame,我猜它已经被 cythonized 并且 datetime 解析器(可悲)仍然是 python?我很惊讶它是最快的!【参考方案5】:这是我对这个问题的解决方案:
def set_date(col):
# date_formates = ["21 June, 2018", "12/11/2018 09:15:32", "April-21" ]
date_formats = ["%d %B, %Y", "%d/%m/%Y %H:%M:%S", "%B-%y", "%d %B, %Y", "%m/%d/Y"] # Can add different date formats to this list to test
for x in date_formats:
col = pd.to_datetime(col, errors="ignore", format= f"x")
col = pd.to_datetime(col, errors="coerce") # To remove errors in the columns like strings or numbers
return col
【讨论】:
以上是关于使用 pd.to_datetime 处理多种日期时间格式的主要内容,如果未能解决你的问题,请参考以下文章
时间转换py.datetime & pd.to_datetime