Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Pandas : créer une colonne de date à partir de l’année, du mois et du jour



Vous pouvez utiliser la syntaxe de base suivante pour créer une colonne de date à partir des colonnes année, mois et jour dans un DataFrame pandas :

df['date'] = pd.to_datetime(dict(year=df.year, month=df.month, day=df.day))

L’exemple suivant montre comment utiliser cette syntaxe dans la pratique.

Exemple : créer une colonne de date à partir de l’année, du mois et du jour dans Pandas

Supposons que nous ayons le DataFrame pandas suivant qui montre les ventes réalisées par une entreprise à différentes dates :

import pandas as pd

#create DataFrame
df = pd.DataFrame({'year': [2021, 2022, 2022, 2022, 2022, 2022, 2022, 2022],
                   'month': [7, 1, 1, 2, 5, 10, 11, 12],
                   'day': [4, 15, 25, 27, 27, 24, 10, 18],
                   'sales': [140, 200, 250, 180, 130, 87, 90, 95]})

#view DataFrame
print(df)

   year  month  day  sales
0  2021      7    4    140
1  2022      1   15    200
2  2022      1   25    250
3  2022      2   27    180
4  2022      5   27    130
5  2022     10   24     87
6  2022     11   10     90
7  2022     12   18     95

Nous pouvons utiliser la syntaxe suivante pour créer une nouvelle colonne appelée date qui combine les valeurs des colonnes year , month et day dans le DataFrame pour créer une date pour chaque ligne :

#create date column from year, month, and day columns
df['date'] = pd.to_datetime(dict(year=df.year, month=df.month, day=df.day))

#view updated DataFrame
print(df)

   year  month  day  sales       date
0  2021      7    4    140 2021-07-04
1  2022      1   15    200 2022-01-15
2  2022      1   25    250 2022-01-25
3  2022      2   27    180 2022-02-27
4  2022      5   27    130 2022-05-27
5  2022     10   24     87 2022-10-24
6  2022     11   10     90 2022-11-10
7  2022     12   18     95 2022-12-18

Notez que la colonne de date contient des valeurs de date basées sur les valeurs des colonnes année , mois et jour de chaque ligne.

Si nous utilisons df.info() pour obtenir des informations sur chaque colonne du DataFrame, nous pouvons voir que la nouvelle colonne de date a un type de données datetime64 :

#display information about each column in DataFrame
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8 entries, 0 to 7
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   year    8 non-null      int64         
 1   month   8 non-null      int64         
 2   day     8 non-null      int64         
 3   sales   8 non-null      int64         
 4   date    8 non-null      datetime64[ns]
dtypes: datetime64[ns](1), int64(4)
memory usage: 388.0 bytes

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres opérations courantes dans les pandas :

Comment ajouter et soustraire des jours à une date dans Pandas
Comment sélectionner des lignes entre deux dates dans Pandas
Comment calculer une différence entre deux dates chez les pandas

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *