<\/p>\n
Oft sind Sie m\u00f6glicherweise daran interessiert, eine oder mehrere Spalten eines Pandas-DataFrames in das DateTime-Format zu konvertieren. Gl\u00fccklicherweise ist dies mit der Funktion to_datetime()<\/a> einfach zu bewerkstelligen.<\/span><\/p>\n Dieses Tutorial zeigt mehrere Beispiele f\u00fcr die Verwendung dieser Funktion im folgenden DataFrame:<\/span><\/p>\n Der folgende Code zeigt, wie die Spalte \u201estart_date\u201c von einer Zeichenfolge in das DateTime-Format konvertiert wird:<\/span><\/p>\n Beachten Sie, dass die Funktion to_datetime() intelligent ist und normalerweise das richtige zu verwendende Datumsformat ableiten kann. Sie k\u00f6nnen jedoch auch mit dem Formatargument<\/strong> angeben, welches Format verwendet werden soll:<\/span><\/p>\n Der folgende Code zeigt, wie die Spalten \u201estart_date\u201c und \u201eend_date\u201c von Zeichenfolgen in DateTime-Formate konvertiert werden:<\/span><\/p>\n In einigen F\u00e4llen verf\u00fcgen Sie m\u00f6glicherweise auch \u00fcber Spalten, die ein Datum sowie Stunden, Minuten und Sekunden enthalten, z. B. den folgenden DataFrame:<\/span><\/p>\n Auch hier ist die Funktion to_datetime() intelligent und kann normalerweise das richtige zu verwendende Format ableiten, ohne dass wir es angeben m\u00fcssen:<\/span><\/p>\n Nat\u00fcrlich werden Sie in freier Wildbahn wahrscheinlich auf eine Vielzahl seltsamer DateTime-Formate sto\u00dfen, daher m\u00fcssen Sie m\u00f6glicherweise das Argument format<\/strong> verwenden, um Python genau mitzuteilen, welches DateTime-Format verwendet werden soll.<\/span><\/p>\n In diesen F\u00e4llen finden Sie auf dieser Seite<\/a> eine vollst\u00e4ndige Liste<\/span> der %DateTime-Operatoren, die Sie zum Angeben von Formaten verwenden k\u00f6nnen.<\/span><\/p>\n So konvertieren Sie DateTime in Pandas in ein Datum<\/a> Oft sind Sie m\u00f6glicherweise daran interessiert, eine oder mehrere Spalten eines Pandas-DataFrames in das DateTime-Format zu konvertieren. Gl\u00fccklicherweise ist dies mit der Funktion to_datetime() einfach zu bewerkstelligen. Dieses Tutorial zeigt mehrere Beispiele f\u00fcr die Verwendung dieser Funktion im folgenden DataFrame: import numpy as np import pandas as pd #createDataFrame df = pd.DataFrame({‚event‘: [‚A‘, ‚B‘, ‚C‘], […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'event': ['A', 'B', 'C'],\n 'start_date': ['20150601', '20160201', '20170401'],\n 'end_date': ['20150608', '20160209', '20170416'] })\n\n#view DataFrame\n<\/span>df\n\n\tevent start_date end_date\n0 A 20150601 20150608\n1 B 20160201 20160209\n2 C 20170401 201704161\n\n#view column data types\n<\/span>df. dtypes\n\nevent object\nstart_date object\nend_date object\ndtype:object<\/span><\/span><\/strong><\/pre>\n Beispiel 1: Konvertieren Sie eine einzelne Spalte in DateTime<\/span><\/strong><\/h3>\n
#convert start_date to DateTime format<\/span>\ndf['start_date'] = pd. to_datetime<\/span> (df['start_date'])\n\n#view DataFrame\n<\/span>df\n\n event start_date end_date\n0 A 2015-06-01 20150608\n1 B 2016-02-01 20160209\n2 C 2017-04-01 20170416\n\n#view column date types\n<\/span>df. dtypes<\/span>\n\nevent object\nstart_date datetime64[ns]\nend_date object\ndtype:object<\/strong><\/pre>\n #convert start_date to DateTime format<\/span>\ndf['start_date'] = pd. to_datetime<\/span> (df['start_date'], format=' %Y%m%d<\/span> ')\n\n#view DataFrame\n<\/span>df\n\n event start_date end_date\n0 A 2015-06-01 20150608\n1 B 2016-02-01 20160209\n2 C 2017-04-01 20170416\n\n#view column date types\n<\/span>df. dtypes<\/span>\n\nevent object\nstart_date datetime64[ns]\nend_date object\ndtype:object<\/strong><\/pre>\n Beispiel 2: Konvertieren Sie mehrere Spalten in DateTime<\/span><\/strong><\/h3>\n
#convert start_date and end_date to DateTime formats<\/span>\ndf[['start_date', 'end_date']] = df[['start_date', 'end_date']]. apply<\/span> (pd. to_datetime<\/span> )\n\n#view DataFrame\n<\/span>df\n\n\tevent start_date end_date\n0 A 2015-06-01 2015-06-08\n1 B 2016-02-01 2016-02-09\n2 C 2017-04-01 2017-04-16\n\n#view column date types\n<\/span>df. dtypes<\/span>\n\nevent object\nstart_date datetime64[ns]\nend_date datetime64[ns]\ndtype:object<\/strong><\/pre>\n Beispiel 3: Konvertieren Sie Spalten in das DateTime-Format mit Sekunden<\/span><\/strong><\/h3>\n
#createDataFrame<\/span>\ndf = pd.DataFrame({'event': ['A', 'B', 'C'],\n 'start_date': ['20150601043000', '20160201054500', '20170401021215'],\n 'end_date': ['20150608', '20160209', '20170416'] })\n\n#view DataFrame\n<\/span>df\n\n event start_date end_date\n0 A 20150601043000 20150608\n1 B 20160201054500 20160209\n2 C 20170401021215 20170416\n<\/strong><\/pre>\n #convert start_date to DateTime format<\/span>\ndf['start_date'] = pd. to_datetime<\/span> (df['start_date'])\n\n#view DataFrame\n<\/span>df\n\n event start_date end_date\n0 A 2015-06-01 04:30:00 20150608\n1 B 2016-02-01 05:45:00 20160209\n2 C 2017-04-01 02:12:15 20170416\n\n#view column date types\n<\/span>df. dtypes<\/span>\n\nevent object\nstart_date datetime64[ns]\nend_date object\ndtype:object<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So konvertieren Sie Strings in Pandas in Float<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"