Entfernung Zeit Datum&Zeit-variable in pandas?

ich habe eine variable, bestehend aus 300k Datensätze mit Datum und das Datum Aussehen

2015-02-21 12:08:51

von diesem Datum möchte ich entfernen

Art von date-variable ist pandas.core.Serie.Serie

Dies ist die Art, wie ich versuchte

from datetime import datetime,date
date_str = textdata['vfreceiveddate']  
format_string = "%Y-%m-%d"
then = datetime.strftime(date_str,format_string)

einige Zufällige FEHLER

Im obigen code textdata ist mein datasetname und vfreceived Datum ist eine variable, bestehend aus Termine

Wie kann ich schreiben Sie den code zum entfernen der Zeit aus dem datetime.

  • Dein Fehler ist wahrscheinlich, weil Ihr format-Zeichenfolge und die Zeichenfolge selbst nicht übereinstimmen, bitte post-Daten. Was Sie tun können, ist then = pd.to_datetime(textdata['vfreceiveddate']).dt.date ich denke, dass sollte funktionieren, aber Sie brauchen, um post-raw-input-Daten, und es ist unwahrscheinlich, dass der Fehler zufällig sein wird
InformationsquelleAutor surendra | 2015-03-27
  1. 24

    Vorausgesetzt, alle deine datetime strings werden in einem ähnlichen format dann einfach konvertieren Sie Sie in datetime mit to_datetime und rufen Sie dann die dt.date Attribut zu bekommen, nur das Datum Teil:

    In [37]:

df = pd.DataFrame({'date':['2015-02-21 12:08:51']})
df
Out[37]:
                  date
0  2015-02-21 12:08:51
In [39]:

df['date'] = pd.to_datetime(df['date']).dt.date
df
Out[39]:
         date
0  2015-02-21

    BEARBEITEN

    Wenn Sie nur wollen, um die Anzeige zu ändern und nicht die dtype dann können Sie anrufen dt.normalize:

    In[10]:
df['date'] = pd.to_datetime(df['date']).dt.normalize()
df

Out[10]: 
        date
0 2015-02-21

    Können Sie sehen, dass die "dtype" bleibt als datetime:

    In[11]:
df.dtypes

Out[11]: 
date    datetime64[ns]
dtype: object
    • danke sehr viel ! wenn ich will, zu entfernen, das Datum aus dem datetime in die gleiche Falle, wie kann ich das machen?
    • Nur tun, dt.Zeit
    • hai EdChum getan, vielen Dank dafür
    • Und wenn dabei die gleichen df['Datum'] = pd.to_datetime(df['Datum']).dt.Datum, um die andere variable, die ähnlich der oben ist es nicht zu arbeiten, und es wird zeigen einige Fehler wie: TypeError: nur verwenden Können .dt-accessor mit datetimelike Werte
    • Post-eine andere Frage als die Inkrementierung von Ihrem Umfang
    • hey Ed, es ist perfekt, aber es verändert meine Spalte in ein Objekt keine Ahnung warum, wenn ich rufe pd.to_datetime?
    • weil es kein integraler numpy dtype, es ist ein python - date Objekt, also die "dtype" ändert, dies ist das erwartete Verhalten
    • habe es, so schreiben brauche ich eine weitere Zeile code zu re-konvertieren? Ich war versucht, zwei Spalten zu machen, eine left join-und ich war überrascht, als das Objekt Fehler geworfen. Danke für die Erklärung.
    • konvertieren Sie es, was genau? Wenn Sie nur wollen, zu erhalten, wie datetime, aber nicht zeigt die Zeit, die Sie aufrufen können dt.normalize() dies die Zeit, um 00:00 und nicht die Zeit, sondern die Erhaltung der dtype als datetime
    • das ist viel besser, sorgt für saubereren code. Dank wie immer Ed, du bist der Mann.

    InformationsquelleAutor EdChum
  2. 3

    Die Sie aufrufen datetime.datetime.strftime, das erfordert als erstes argument eine datetime.datetime Instanz, weil es ein ungebundene Methode; aber du bist übergibt eine Zeichenfolge statt einer datetime-Instanz, Woher die offensichtlichen Fehler.

    Können Sie arbeiten rein auf string-Ebene, wenn das Ergebnis, das Sie wollen, mit der die Daten, die Sie als Beispiel date_str.split()[0] zum Beispiel wäre genau das 2015-02-21 Zeichenfolge, die Sie erscheinen zu verlangen.

    Oder Sie kann verwenden datetime, aber dann müssen Sie analysieren die Zeichenfolge zunächst nicht format es-daher, strpZeit nicht strfZeit:

    dt = datetime.strptime(date_str, '%Y-%m-%d %H:%M:%S')
date = dt.date()

    wenn es ein datetime.date Objekt, das Sie möchten (aber wenn alles, was Sie wollen, ist die string-form das Datum ein solcher Ansatz sein könnten "übertrieben":-).

    InformationsquelleAutor Alex Martelli
Schreibe einen Kommentar