pandas中怎么处理日期类型数据

pandas中怎么处理日期类型数据，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

pandas 的日期/时间类型有如下几种：

首先获取数据，并且将 DataFrame 的 date 列转换成 datetime 类型：

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，通过 parse_dates 参数直接将某些列转换成 datetime64 类型：

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

我们据此销售数据，按月份、按季度统计 sku 的销售金额。
pandas 的 pandas.Series.dt 可以获得日期/时间类型的相关信息。比如

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

但这些类型返回值为 int 类型，作为统计的字段，我们更希望是 2014-04 这样的格式，有两个方法：

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

第二种方法：

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

第二种方法使用起来更加简单，参数 M 表示月份，Q 表示季度，A 表示年度，D 表示按天，这几个参数比较常用。
新增了一列之后，做出数据透视表：

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

再做一个按季度统计的数据透视表：

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

关于pandas中怎么处理日期类型数据问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。