Pandas automatiza análise de data em arquivos CSV

Pandas simplifica a recuperação de dados de arquivos CSV com sua capacidade de inferir automaticamente tipos de dados, incluindo datas. No entanto, ocasionalmente ele falha em reconhecer formatos de data específicos, como aqueles apresentados como "2013-6-4."

Solução: especifique o argumento 'parse_dates'

Para superar esse desafio, utilize o Argumento 'parse_dates'. Por exemplo, para designar uma coluna com datas no formato "AAAA-MM-DD" como objetos 'datetime', execute o seguinte:

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

Isso converterá a coluna relevante em objetos 'datetime'.

Personalização avançada: funções do analisador de data

Para formatos de data mais complexos, utilize funções do analisador de data. Eles concedem maior flexibilidade na especificação da lógica de análise personalizada. Por exemplo, considere uma coluna 'datetime' com o formato "YYYY-MM-DD 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)

Você pode até mesclar várias colunas relacionadas a datas em uma única coluna 'datetime':

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)

Navegue na documentação de 'strptime' para diretivas que representam vários formatos de data e hora.