Holen Sie sich Jahr, Monat oder Tag von numpy datetime64

Ich habe ein array von datetime64 Typ:

dates = np.datetime64(['2010-10-17', '2011-05-13', "2012-01-15"])

Gibt es einen besseren Weg als die Schleife durch jedes element nur zu erhalten, np.Reihe von Jahren:

years = f(dates)
#output:
array([2010, 2011, 2012], dtype=int8) #or dtype = string

Ich bin mit stabilen numpy version 1.6.2.

Kommentar zu dem Problem

Was meinen Sie, wenn Sie schreiben "f(Datum)". Was bedeutet "f()" zu tun? Kommentarautor: MikeyE

InformationsquelleAutor der Frage enedene | 2012-11-30

29

Als datetime ist nicht stabil in numpy würde ich pandas:
```
In [52]: import pandas as pd

In [53]: dates = pd.DatetimeIndex(['2010-10-17', '2011-05-13', "2012-01-15"])

In [54]: dates.year
Out[54]: array([2010, 2011, 2012], dtype=int32)
```
Pandas verwendet numpy datetime-intern, scheint aber zu vermeiden, den Mangel, dass numpy hat bis jetzt.

InformationsquelleAutor der Antwort bmu
17

Finde ich folgende tricks geben zwischen 2x und 4x Geschwindigkeit zu erhöhen, gegen den pandas oben beschriebenen Methode (d.h. pd.DatetimeIndex(dates).year etc.). Die Geschwindigkeit der [dt.year for dt in dates.astype(object)] finde ich ähnlich wie die pandas-Methode. Auch diese tricks kann direkt angewendet werden, um ndarrays von beliebiger Form (2D, 3D etc).
```
dates = np.arange(np.datetime64('2000-01-01'), np.datetime64('2010-01-01'))
years = dates.astype('datetime64[Y]').astype(int) + 1970
months = dates.astype('datetime64[M]').astype(int) % 12 + 1
days = dates - dates.astype('datetime64[M]') + 1
```
InformationsquelleAutor der Antwort Anon
4

Sollte es ein einfacher Weg, dies zu tun, aber, je nachdem, was Sie versuchen zu tun, der beste Weg sein könnte, um zu konvertieren, um eine regelmäßige Python datetime-Objekt:
```
datetime64Obj = np.datetime64('2002-07-04T02:55:41-0700')
print datetime64Obj.astype(object).year
# 2002
print datetime64Obj.astype(object).day
# 4
```
Basierend auf den Kommentaren unten, das scheint zu funktionieren nur in Python 2.7.x nicht Python 3.x

InformationsquelleAutor der Antwort Nick
1

Wenn Sie ein upgrade auf numpy 1.7 (wo datetime ist immer noch gekennzeichnet als experimentelle) die folgenden arbeiten sollten.
```
dates/np.timedelta64(1,'Y')
```
InformationsquelleAutor der Antwort Daniel
0

Gibt es keine direkte Möglichkeit, es zu tun, aber leider noch nicht, aber es gibt ein paar indirekte Weise:
```
[dt.year for dt in dates.astype(object)]
```
oder
```
[datetime.datetime.strptime(repr(d), "%Y-%m-%d %H:%M:%S").year for d in dates]
```
beide inspiriert durch die Beispiele hier.

Sowohl der diese Arbeit für mich auf Numpy 1.6.1. Möglicherweise müssen Sie ein bisschen vorsichtiger sein mit der zweiten, da die repr() für die datetime64 vielleicht ein Bruchteil nach dem Dezimalpunkt.

InformationsquelleAutor der Antwort acjay

Mithilfe von numpy version 1.10.4 und pandas version 0.17.1,

dates = np.array(['2010-10-17', '2011-05-13', '2012-01-15'], dtype=np.datetime64)
pd.to_datetime(dates).year

Ich das bekommen, was Sie suchen:

array([2010, 2011, 2012], dtype=int32)

InformationsquelleAutor der Antwort Steve Schulist

0

Anon ' s Antwort funktioniert großartig für mich, aber ich muss nur ändern Sie die Anweisung für days

aus:
```
days = dates - dates.astype('datetime64[M]') + 1
```
:
```
days = dates.astype('datetime64[D]') - dates.astype('datetime64[M]') + 1
```
InformationsquelleAutor der Antwort user3648119
0

Andere Möglichkeit ist:
```
np.datetime64(dates,'Y') - returns - numpy.datetime64('2010')
```
oder
```
np.datetime64(dates,'Y').astype(int)+1970 - returns - 2010
```
funktioniert aber nur auf Skalare Werte, nicht nehmen, array

InformationsquelleAutor der Antwort Mark Sojka

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.