pandas中怎么處理日期類型數據

pandas中怎么處理日期類型數據，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

pandas 的日期/時間類型有如下幾種：

首先獲取數據，并且將 DataFrame 的 date 列轉換成 datetime 類型：

df1 = pd.read_csv('https://raw.githubusercontent.com/stonewm/python-practice-projects/master/pandas%20sample%20data/sample-salesv3.csv')
df1['date'] = pd.to_datetime(df1['date']) # convert date column to datetime
df1.head()

也可以在 read_csv() 方法中，通過 parse_dates 參數直接將某些列轉換成 datetime64 類型：

df1 = pd.read_csv('sample-salesv3.csv', parse_dates=['date'])

我們據此銷售數據，按月份、按季度統計 sku 的銷售金額。
pandas 的 pandas.Series.dt 可以獲得日期/時間類型的相關信息。比如

df1['date'].dt.year
df1['date'].dt.month
df1['date'].dt.quarter

但這些類型返回值為 int 類型，作為統計的字段，我們更希望是 2014-04 這樣的格式，有兩個方法：

# 方法 1
df1['year_month'] = df1['date'].apply(lambda x : x.strftime('%Y-%m'))

第二種方法：

df1['period'] = df1['date'].dt.to_period('M')

第二種方法使用起來更加簡單，參數 M 表示月份，Q 表示季度，A 表示年度，D 表示按天，這幾個參數比較常用。
新增了一列之后，做出數據透視表：

import numpy as np
pivot = pd.pivot_table(df1, index=['sku'], columns=['period'], values=['ext price'], aggfunc=np.sum)
pivot.head()

再做一個按季度統計的數據透視表：

df1['quarter'] = df1['date'].dt.to_period('Q')
quarter_pivot = pd.pivot_table(df1, index=['sku'], columns=['quarter'], values=['ext price'], aggfunc=np.sum)

關于pandas中怎么處理日期類型數據問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。