Oft sind Sie daran interessiert, alle eindeutigen Werte in mehreren Spalten eines Pandas DataFrame zu finden. Glücklicherweise ist dies mit der Funktion Pandas unique() in Kombination mit der Funktion ravel …
Oft möchten Sie Datetime in ein Datum in Pandas konvertieren. Glücklicherweise ist dies mit der Funktion .dt.date, die die folgende Syntax annimmt, einfach zu bewerkstelligen:
df['date_column'] = pd.to_datetime(df['datetime_column']).dt.date
Beispiel: Datetime to Date in Pandas
Angenommen, wir haben die folgenden Pandas DataFrame:
import pandas as pd
# Pandas DataFrame mit zwei Spalten erstellen
df = pd.DataFrame({'sales': [4, 11],
'time': ['2020-01-15 20:02:58', '2020-01-18 14:43:24']})
# Dataframe anzeigen
print(df)
sales time
0 4 2020-01-15 20:02:58
1 11 2020-01-18 14:43:24
Um die 'Zeit'-Spalte nur in ein Datum umzuwandeln, können wir die folgende Syntax verwenden:
# Datetime-Spalte in Datum konvertieren
df['time'] = pd.to_datetime(df['time']).dt.date
# DataFrame anzeigen
print(df)
sales time
0 4 2020-01-15
1 11 2020-01-18
Jetzt wird in der Spalte "time" nur das Datum ohne Uhrzeit angezeigt.
Verwenden von Normalize() für datetime64 Dtypes
Sie sollten beachten, dass der obige Code ein object zurückgibt:
# dtype jeder Spalte im DataFrame finden
df.dtypes
sales int64
time object
dtype: object
Wenn Sie stattdessen datetime64 möchten, können Sie die Zeitkomponente normalisieren (normalize()), wodurch der dtype als datetime64 beibehalten wird, aber nur das Datum angezeigt wird:
# Datetime-Spalte in Datum konvertieren
df['time'] = pd.to_datetime(df['time']).dt.normalize()
# Dataframe anzeigen
print(df)
sales time
0 4 2020-01-15
1 11 2020-01-18
# dtype jeder Spalte im DataFrame finden
df.dtypes
sales int64
time datetime64[ns]
dtype: object
Wieder wird nur das Datum angezeigt, aber die Spalte 'time' ist ein datetime64-Typ.
Zusätzliche Ressourcen
So finden Sie eindeutige Werte in mehreren Spalten in Pandas
So filtern Sie Pandas DataFrame-Zeilen nach Datum
Oft möchten Sie die Zeilen eines Pandas DataFrame nach Datum filtern. Praktischerweise ist dies ziemlich einfach und in diesem Tutorial werden je nach Struktur Ihres DataFrame zwei Möglichkeiten erläutert.