Pandas automatise l'analyse des dates dans les fichiers CSV

Pandas simplifie la récupération de données à partir de fichiers CSV grâce à sa capacité à déduire automatiquement les types de données, y compris les dates. Cependant, il arrive parfois qu'il ne parvienne pas à reconnaître des formats de date spécifiques, tels que ceux présentés sous la forme « 2013-6-4 ».

Solution : Spécifiez l'argument 'parse_dates'

Pour surmonter ce problème, utilisez l'option Argument 'parse_dates'. Par exemple, pour désigner une colonne avec des dates au format "AAAA-MM-JJ" comme objets 'datetime', exécutez ce qui suit :

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

Cela convertira la colonne correspondante en objets 'datetime'.

Personnalisation avancée : fonctions d'analyseur de date

Pour des formats de date plus complexes, utilisez des fonctions d'analyseur de date. Ceux-ci offrent une plus grande flexibilité dans la spécification d’une logique d’analyse personnalisée. Par exemple, considérons une colonne « datetime » au format « AAAA-MM-JJ 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)

Vous pouvez même fusionner plusieurs colonnes liées à la date en une seule colonne « 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)

Parcourez la documentation de 'strptime' pour les directives représentant différents formats datetime.