Pandas автоматизирует анализ даты в файлах CSV

Pandas упрощает извлечение данных из файлов CSV благодаря своей способности автоматически определять типы данных, включая даты. Однако иногда ему не удается распознать определенные форматы дат, например, представленные как «2013-6-4».

Решение: укажите аргумент 'parse_dates'

Чтобы решить эту проблему, используйте Аргумент «parse_dates». Например, чтобы обозначить столбец с датами в формате «ГГГГ-ММ-ДД» как объекты datetime, выполните следующее:

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

Это преобразует соответствующий столбец в объекты datetime.

Расширенная настройка: функции анализатора даты

Для более сложных форматов даты используйте функции синтаксического анализа даты. Это обеспечивает большую гибкость при определении пользовательской логики синтаксического анализа. Например, рассмотрим столбец datetime в формате «ГГГГ-ММ-ДД ЧЧ:ММ:СС»:

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)

Вы даже можете объединить несколько столбцов, связанных с датой, в один столбец 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)

Просмотрите документацию по 'strptime', чтобы найти директивы, представляющие различные форматы даты и времени.