Pandas automatisiert die Datumsanalyse in CSV-Dateien

Pandas vereinfacht den Datenabruf aus CSV-Dateien durch seine Fähigkeit, Datentypen, einschließlich Datumsangaben, automatisch abzuleiten. Gelegentlich werden jedoch bestimmte Datumsformate nicht erkannt, beispielsweise solche, die als „2013-6-4“ dargestellt werden 'parse_dates'-Argument. Um beispielsweise eine Spalte mit Datumsangaben im Format „JJJJ-MM-TT“ als „Datum/Uhrzeit“-Objekte festzulegen, führen Sie Folgendes aus:

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

Dadurch wird die relevante Spalte in 'datetime'-Objekte konvertiert.

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

Für komplexere Datumsformate verwenden Sie Datums-Parser-Funktionen. Diese bieten eine größere Flexibilität bei der Festlegung benutzerdefinierter Parsing-Logik. Betrachten Sie beispielsweise eine „Datum/Uhrzeit“-Spalte mit dem Format „JJJJ-MM-TT HH:MM:SS“:

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)

Sie können sogar mehrere datumsbezogene Spalten in einer einzigen 'datetime'-Spalte zusammenführen:

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)

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)

Durchsuchen Sie die Dokumentation für „strptime“ nach Anweisungen, die verschiedene Datums-/Uhrzeitformate darstellen.