pandas datetime转str pandas时间戳转字符串

在 pandas 中，当将仅包含时间信息的字符串转换为“datetime”类型时，“pd.to_datetime”函数会自动填充当前日期，导致原始日期信息丢失或错误。在转换过程中准确保留或创建完整的日期和时间信息，避免意外更改日期，从而维护数据完整性。

在 Pandas 中处理时间数据时，我们经常需要将字符串格式的日期或时间转换为 datetime 类型，以便进行更高级的时间序列分析。

此方法适用于日期和时间信息分别存储在不同列中的情况。_datetime 转换。

示例代码： 图改改

在线编辑图片文字 455 查看详情 import pandas as pd# InitialDataFramedata = { 'order_details_id'： [1, 2, 3, 4, 5], 'order_id'： [1, 2, 2, 2, 2], 'order_date'： ['1/1/23', '1/1/23', '1/1/23', '1/1/23', '1/1/23'], 'order_time'： ['11：38：36 AM', '11：57：40 AM', '11：57：40 AM', '11：57：40 AM'], 'item_id'： [109.0, 108.0] 124.0, 117.0, 129.0]}df = pd.DataFrame(data)print(quot；primitiveDataFrame：quot；)print(df)print(quot；\nprimitive 数据类型：quot；)print(df.dtypes)# 坚持日期和时间字符串，然后转换为 datetimedf['order_datetime'] = pd.to_datetime(df['order_date'].astype(str) ' ' df['order_time'].astype(str))print(quot；\n拼接和转换后的 DataFrame：quot；)print(df)print(quot；\n转换后的数据类型：quot；)print(df.dtypes) 复制后登录

优点：操作简单。

缺点：涉及字符串操作，对于非常大的数据集，效率可能会略低。必须确保字符串中的日期和时间格式一致，以便 pd.to_datetime 能够正确解析。2. 策略二：合并 datetime 和 timedelta 对象

这种方法更加优雅高效，它利用了 Pandas 中 datetime 和 timedelta 对象的特性。首先，将日期列转换为 datetime 对象，然后将时间列转换为 timedelta 对象（表示时间间隔），最后将两者相加得到完整的 datetime 对象。

实现步骤：将 datetime 转换为 datetime 类型。将 timedelta 转换为 timedelta。pd.to_timedelta 可以解析各种时间字符串。已将 datetime 转换为 timedelta。示例代码： # 假设 df 是上面的初始 DataFrame，这里为了演示，重新创建一个订单 df_temp = pd.DataFrame(data) # 将订单日期转换为日期时间 df_temp['order_date_dt'] = pd.to_datetime(df_temp['order_date']) # 将订单时间转换为 timedelta df_temp['order_time_td'] = pd.to_timedelta(df_temp['order_time']) # 将日期时间和 timedelta 相加 df_temp['order_datetime_combined'] = df_temp['order_date_dt'] df_temp['order_time_td'] print("(中间步骤)："；") print(df_temp[['order_date'，'order_time'，'order_datetime_combined']]) print("\n名于后名合头字：quot；)print(df_temp.dtypes)# 更直洁最新，直接操作原始 df_concise = pd.DataFrame(data) # 为简洁呈现重建 df df_concise['order_datetime'] = pd.to_datetime(df_concise.pop('order_date')) pd.to_timedelta(df_concise.pop('order_time'))print(quot；\n 处理后的 DataFrame 的简洁方法：quot；)print(df_concise)print(quot；\n 处理后的数据类型的简洁方法：quot；)print(df_concise.dtypes) 复制后登录

优点：充分利用 Pandas 的类型系统，通常比字符串拼接更高效，尤其是在处理大量数据时。

缺点：timedelta 的概念可能需要一些时间理解。3. 策略三：数据源集成层

最理想的情况是，在导入或生成数据时，日期和时间已合并为一个完整的日期时间字符串列。这样，您只需在 Pandas 中将该列转换为 pd.to_datetime 一次即可。

实现步骤：确保数据源提供一个已包含完整日期和时间信息的字符串列。直接对该列应用 pd.to_datetime。

示例代码：#手机例文帐に追已时间日期时间的DataFramedata_combined = { 'order_details_id'： [1, 2, 3, 4, 5], 'order_id'： [1, 2, 2, 2, 2], 'order_date_time_str'： ['1/1/23 11:38:36 AM'', '1/23' 11：57：40 AM'， '1/1/23 11：57：40 AM'， '1/1/23 11：57：40 AM'， '1/1/23 11：57：40 AM']， 'item_id'： [109.0，108.0，124.0，117.0，129.0]}df_combined = pd.DataFrame(data_combined)print(quot;\n dataframeSource 已包含 datetime 时间的 DataFrame：quot;)print(df_combined)# 直接转换为 datetimedf_combined['order_dt'] = pd.to_datetime(df_combined['order_date_time_str'])print(quot;\n 直接转换的 DataFrame：quot;)print(df_combined)print(quot;\n 直接转换的数据类型：quot;)print(df_combined.dtypes) 登录后复制

优点：最简单、最方便的方法，减少了数据处理的中间步骤。

缺点：取决于数据源的格式，并非总是可行。注意 pd.to_datetime 的默认行为：务必牢记，当 pd.to_datetime 接收到的字符串不包含日期信息时，默认填充当前日期。

在 Pandas 中处理日期和时间数据时，确保数据完整性至关重要。当日期和时间信息分散在不同的列中，或者仅提供时间信息时，直接使用 `pd.to_datetime` 可能会导致日期被意外修改。本文介绍了三种策略——字符串拼接、日期时间与时间差的组合以及数据源层面的集成——开发者可以有效地管理和转换日期时间数据，并避免常见的陷阱。建议优先考虑数据源层面的集成，或者结合使用 Pandas 中的 `datetime` 和 `timedelta` 方法，以实现更高效、更稳健的数据处理过程。理解 `pd.to_datetime` 的工作原理及其默认行为是避免此类问题的关键。

以上是 Pandas 处理时间字符串转换：避免日期意外修改策略的详细内容，更多内容请关注乐哥常识网其他相关文章！你见过像你这样的 AI 吗？