使用pandas.to_datetime时仅保留日期部分

我pandas.to_datetime用来解析数据中的日期。默认情况下，熊猫代表日期，datetime64[ns]即使所有日期都是每天也是如此。我想知道是否存在一种优雅/巧妙的方法来将日期转换为datetime.date或，datetime64[D]以便当我将数据写入CSV时，日期不附加00:00:00。我知道我可以手动逐个元素地转换类型：

[dt.to_datetime().date() for dt in df.dates]

但这确实很慢，因为我有很多行，这有点违反了使用目的pandas.to_datetime。有没有一种方法可以一次转换dtype整个列？或者，是否pandas.to_datetime支持精度规范，以便在处理日常数据时可以省去时间部分？

从版本开始，0.15.0现在可以轻松地通过.dt仅访问日期组件来完成此操作：

df['just_date'] = df['dates'].dt.date

上面的方法返回一个datetime.datedtype，如果您想要一个a，datetime64则可以normalize将时间分量设置为午夜，以便将所有值设置为00:00:00：

df['normalised_date'] = df['dates'].dt.normalize()

这会使dtype保持不变，datetime64但显示屏仅显示该date值。

简单的解决方案：

df['date_only'] = df['date_time_column'].dt.date

虽然我赞成EdChum的答案，这是对OP提出的问题的最直接答案，但它并不能真正解决性能问题（它仍然依赖于python datetime对象，因此对它们的任何操作都不会被矢量化-即，它会很慢）。

性能更好的替代方法是使用df['dates'].dt.floor('d')。严格来说，它不会“仅保留日期部分”，因为它只是将时间设置为00:00:00。但是它确实可以按OP的要求运行，例如：

• 打印到屏幕
• 保存到csv
• 使用列来 groupby

...并且效率更高，因为该操作已矢量化。

编辑：其实，在OP的宁愿答案很可能是“最近的版本pandas也没有时间写为csv如果是00:00:00对所有的意见”。

熊猫DatetimeIndex，Series有一种方法normalize可以完全满足您的需求。

您可以在此答案中了解更多信息。

可以用作 ser.dt.normalize()

熊猫v0.13 +：to_csv与date_format参数一起使用

尽可能避免将您的datetime64[ns]系列转换为objectdtype系列的datetime.date对象。后者通常使用构造pd.Series.dt.date，存储为指针数组，相对于基于NumPy的纯序列而言效率低下。

由于在写入CSV时您关注的是格式，因此只需使用date_format参数to_csv。例如：

df.to_csv(filename, date_format='%Y-%m-%d')

有关格式设置约定，请参见Python的strftime指令。

这是提取日期的简单方法：

import pandas as pd

d='2015-01-08 22:44:09' 
date=pd.to_datetime(d).date()
print(date)

转换为datetime64[D]：

df.dates.values.astype('M8[D]')

尽管将其重新分配给DataFrame col将其恢复为[ns]。

如果您想要实际的datetime.date：

dt = pd.DatetimeIndex(df.dates)
dates = np.array([datetime.date(*date_tuple) for date_tuple in zip(dt.year, dt.month, dt.day)])

如果有人看到此旧帖子，请给出一个最新的答案。

转换为日期时间时添加“ utc = False”将删除时区部分，仅将日期保留为datetime64 [ns]数据类型。

pd.to_datetime(df['Date'], utc=False)

您将能够将其保存在excel中，而不会出现错误“ ValueError：Excel不支持带时区的日期时间。在写入Excel之前，请确保日期时间不知道时区。”

我希望能够更改数据框中一组列的类型，然后删除保持一天的时间。round（），floor（），ceil（）全部工作

df[date_columns] = df[date_columns].apply(pd.to_datetime)
df[date_columns] = df[date_columns].apply(lambda t: t.dt.floor('d'))