<\/p>\n
Vaak bent u wellicht ge\u00efnteresseerd in het converteren van een of meer kolommen van een Panda DataFrame naar DateTime-indeling. Gelukkig is dit eenvoudig te doen met de functie to_datetime()<\/a> .<\/span><\/p>\n In deze zelfstudie ziet u verschillende voorbeelden van het gebruik van deze functie op het volgende DataFrame:<\/span><\/p>\n De volgende code laat zien hoe u de kolom ’start_date‘ converteert van een tekenreeks naar de DateTime-notatie:<\/span><\/p>\n Houd er rekening mee dat de functie to_datetime() intelligent is en meestal het juiste datumformaat kan afleiden dat moet worden gebruikt, maar u kunt ook opgeven welk formaat u wilt gebruiken met het format-<\/strong> argument:<\/span><\/p>\n De volgende code laat zien hoe u de kolommen ’start_date‘ en ‚end_date‘ converteert van tekenreeksen naar DateTime-notaties:<\/span><\/p>\n In sommige gevallen hebt u mogelijk ook kolommen die zowel een datum als uren, minuten en seconden bevatten, zoals het volgende DataFrame:<\/span><\/p>\n Nogmaals, de functie to_datetime() is slim en kan meestal het juiste formaat afleiden dat moet worden gebruikt zonder dat we dit specificeren:<\/span><\/p>\n Natuurlijk zul je in het wild waarschijnlijk een verscheidenheid aan vreemde DateTime-formaten tegenkomen, dus het kan zijn dat je het format-<\/strong> argument moet gebruiken om Python precies te vertellen welk DateTime-formaat je moet gebruiken.<\/span><\/p>\n Raadpleeg in deze gevallen deze pagina<\/a> voor een volledige lijst<\/span> met %DateTime-operatoren die u kunt gebruiken om notaties op te geven.<\/span><\/p>\n Hoe DateTime naar datum te converteren in Pandas<\/a> Vaak bent u wellicht ge\u00efnteresseerd in het converteren van een of meer kolommen van een Panda DataFrame naar DateTime-indeling. Gelukkig is dit eenvoudig te doen met de functie to_datetime() . In deze zelfstudie ziet u verschillende voorbeelden van het gebruik van deze functie op het volgende DataFrame: import numpy as np import pandas as pd […]<\/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":[],"class_list":["post-898","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: Converteer een enkele kolom naar 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 Voorbeeld 2: meerdere kolommen converteren naar 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 Voorbeeld 3: Converteer kolommen naar DateTime-notatie met seconden<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe tekenreeksen te converteren naar zwevend in Panda’s<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"