Python pandas.to_datetime函数方法的使用-CJavaPy

pandas.to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, box=True, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=True) [source]

将参数转换为datetime。

参数：

arg ： integer,float, string, datetime,

list, tuple, 1-d array(一维数组)，Series

0.18.1版中的新功能：或类似DataFrame/dict的

errors ： {'ignore'，'raise'，'coerce'}，

默认为'raise'

如果为‘raise’，则无效的解析将引发异常

如果为 ‘coerce’，则将无效解析设置为NaT

如果为 ‘ignore’，则无效的解析将返回输入

dayfirst ： boolean，默认为False

如果arg为str或类似列表，

则指定日期解析顺序。

如果为True，则首先解析日期，

例如12/10/11解析为2012-11-10。

警告：dayfirst = True并不严格，

但更喜欢使用day first进行解析（

这是一个已知的错误，基于dateutil的行为）。

yearfirst ： boolean，默认为False

如果arg为str或类似列表，则指定日期解析顺序。

如果True解析日期以年份为第一，

则将10/11/12解析为2010-11-12。

如果dayfirst和yearfirst均为True，

则在yearfirst之后（与dateutil相同）。

警告：yearfirst = True并不严格，

但更喜欢使用year first进行解析

（这是一个已知的错误，基于dateutil的行为）。

版本0.16.1中的新功能。

utc ： boolean，默认None

如果为True，则返回UTC DatetimeIndex

（也转换任何支持tz的datetime.datetime对象）。

box： boolean，默认为True

如果True返回DatetimeIndex或类似Index的对象

如果为False，则返回值的ndarray。

分别使用或分别获取值或numpy.datetime64的ndarray。

format ： string，默认None

strftime来解析时间，例如“％d /％m /％Y”，

请注意，“％f”将一直解析到纳秒。

有关选择的更多信息，

请参见strftime文档：

strftime-and-strptime-behavior

exact ： boolean，默认为True

如果为True，则需要完全匹配的格式。

如果为False，则允许格式匹配目标字符串中的任何位置。

unit ： string，默认为“ns”

arg的单位（D，s，ms，us，ns）表示单位，

它是整数或浮点数。这将基于原点。

例如，对于unit ='ms'和origin ='unix'（默认值），

这将计算到unix纪元开始的毫秒数。

infer_datetime_format ： boolean，默认为False

如果为True且未给出格式，

请尝试推断日期时间字符串的格式，

如果可以推断出日期格式，

请切换到解析它们的更快方法。

在某些情况下，这可以使解析速度提高约5-10倍。

origin ： scalar，默认为'unix'

定义参考日期。自该参考日期以来，

数值将被解析为单位数（由unit定义）。

如果是“unix”（或POSIX）时间；

原点设置为1970-01-01。

如果为'julian'，则单位必须为'D'，

并且原点设置为Julian Calendar的开头。

Julian天数0被指定为

从公元前4713年1月1日正午开始的那一天。

如果时间戳可转换，

则将原点设置为由原点标识的时间戳。

0.20.0版中的新功能。

cache ： boolean，默认为True

如果为True，

则使用唯一的转换日期缓存来应用datetime转换。

解析重复的日期字符串时，

尤其是带有时区偏移的日期字符串时，

可能会大大提高速度。

0.23.0版中的新功能。

在0.25.0版中进行了更改： -将默认值从False更改为True

返回值：

ret ：日期时间（如果解析成功）。

返回类型取决于输入：

list-like：DatetimeIndex

Series：datetime64 dtype Series

scalar：时间戳(Timestamp)

如果无法返回指定的类型

（例如，当输入的任何元素

在Timestamp.min之前或Timestamp.max之后）

，则返回将具有datetime.datetime类型

（或对应的array/Series）。

例子

从DataFrame的多个列中组合一个日期时间。键可以是常见的缩写，例如['year'，'month'，'day'，'minute'，'second'，'ms'，'us'，'ns']）或相同的复数形式

>>> df = pd.DataFrame({'year': [2015, 2016],
...                    'month': [2, 3],
...                    'day': [4, 5]})
>>> pd.to_datetime(df)
0   2015-02-04
1   2016-03-05
dtype: datetime64[ns]

如果日期不符合时间戳限制，则传递errors ='ignore'将返回原始输入，而不引发任何异常。

如果将error ='coerce'传递给NaT，则除了将非日期（或不可解析的日期）强制为NaT外，还将对NaT强制执行越界日期。

>>> pd.to_datetime('13000101', format='%Y%m%d', errors='ignore')
datetime.datetime(1300, 1, 1, 0, 0)
>>> pd.to_datetime('13000101', format='%Y%m%d', errors='coerce')
NaT

传递infer_datetime_format = True通常可以加快解析速度，如果解析不是完全采用ISO8601格式，而是采用常规格式

>>> s = pd.Series(['3/11/2000', '3/12/2000', '3/13/2000'] * 1000)
>>> s.head()
0    3/11/2000
1    3/12/2000
2    3/13/2000
3    3/11/2000
4    3/12/2000
dtype: object

>>> %timeit pd.to_datetime(s,infer_datetime_format=True)  # doctest: +SKIP
100 loops, best of 3: 10.4 ms per loop

>>> %timeit pd.to_datetime(s,infer_datetime_format=False)  # doctest: +SKIP
1 loop, best of 3: 471 ms per loop

使用Unix纪元时间

>>> pd.to_datetime(1490195805, unit='s')
Timestamp('2017-03-22 15:16:45')
>>> pd.to_datetime(1490195805433502912, unit='ns')
Timestamp('2017-03-22 15:16:45.433502912')

警告: 对于float arg，可能会发生精确舍入。为防止意外行为，请使用固定宽度的精确类型。

使用非unix纪元原点

>>> pd.to_datetime([1, 2, 3], unit='D',
...                origin=pd.Timestamp('1960-01-01'))
DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'], dtype='datetime64[ns]', freq=None)

Python pandas.to_datetime函数方法的使用

推荐文档

微信小程序

抖音小程序

相关文档

大家感兴趣的内容

随机列表