Python 3.x python 3将字符串时间转换为yyyy mm dd

假设我在一个名为df的数据帧中有以下时间戳

           time
1          2019-05-03 15:26:37.000
2          2019-05-10 19:26:29.000
3          2019-05-10 23:39:07.000
4          2019-05-08 13:52:08.000

我计划把它转换成

           time
1          2019-05-03
2          2019-05-10
3          2019-05-10
4          2019-05-08

这样我就可以分组计算每天有多少个日期点

df2=pd.to_datetime(df['time'], format='%d-%b-%y')

返回以下错误

ValueError: time data '2019-05-04 14:08:33.000' does not match format '%d-%b-%y' (match)

TypeError: Unrecognized value type: <class 'str'>

During handling of the above exception, another exception occurred:

返回

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
pandas/_libs/tslib.pyx in pandas._libs.tslib.array_with_unit_to_datetime()

ValueError: could not convert string to float: '2019-05-04 14:08:33.000'

如果我这样做

df2=pd.to_datetime(df['time'], format='%d-%b-%y', errors='ignore')

返回相同的

           time
1          2019-05-03 15:26:37.000
2          2019-05-10 19:26:29.000
3          2019-05-10 23:39:07.000
4          2019-05-08 13:52:08.000

有什么想法吗？谢谢大家!

IIUC，您可以使用：

pd.to_datetime(df['time']).dt.normalize() # if series is a object dtype

或：

---

IIUC，你可以使用：

pd.to_datetime(df['time']).dt.normalize() # if series is a object dtype

或：

---

---

其他可能的解决办法：

df = pd.DataFrame({'time':['2019-05-03 15:26:37.000', '2019-05-10 19:26:29.000', '2019-05-10 23:39:07.000', '2019-05-08 13:52:08.000']})

df['time'] = pd.to_datetime(df['time']).dt.strftime('%Y-%m-%d')

print(df)

印刷品：

         time
0  2019-05-03
1  2019-05-10
2  2019-05-10
3  2019-05-08

time
2019-05-03    1
2019-05-04    0
2019-05-05    0
2019-05-06    0
2019-05-07    0
2019-05-08    1
2019-05-09    0
2019-05-10    2
Freq: D, Name: data, dtype: int64

注意：如果您想按天分组，您不需要预先格式化天，只需将其转换为datetime并查看（频率设置为

'D'

）

例如：

df = pd.DataFrame({'time':['2019-05-03 15:26:37.000', '2019-05-10 19:26:29.000', '2019-05-10 23:39:07.000', '2019-05-08 13:52:08.000'],
                   'data':[1, 1, 1, 1]})

df['time'] = pd.to_datetime(df['time'])

print(df.groupby(pd.Grouper(key='time', freq='D'))['data'].sum())

印刷品：

         time
0  2019-05-03
1  2019-05-10
2  2019-05-10
3  2019-05-08

time
2019-05-03    1
2019-05-04    0
2019-05-05    0
2019-05-06    0
2019-05-07    0
2019-05-08    1
2019-05-09    0
2019-05-10    2
Freq: D, Name: data, dtype: int64

---

其他可能的解决办法：

df = pd.DataFrame({'time':['2019-05-03 15:26:37.000', '2019-05-10 19:26:29.000', '2019-05-10 23:39:07.000', '2019-05-08 13:52:08.000']})

df['time'] = pd.to_datetime(df['time']).dt.strftime('%Y-%m-%d')

print(df)

印刷品：

         time
0  2019-05-03
1  2019-05-10
2  2019-05-10
3  2019-05-08

time
2019-05-03    1
2019-05-04    0
2019-05-05    0
2019-05-06    0
2019-05-07    0
2019-05-08    1
2019-05-09    0
2019-05-10    2
Freq: D, Name: data, dtype: int64

注意：如果您想按天分组，您不需要预先格式化天，只需将其转换为datetime并查看（频率设置为

'D'

）

例如：

df = pd.DataFrame({'time':['2019-05-03 15:26:37.000', '2019-05-10 19:26:29.000', '2019-05-10 23:39:07.000', '2019-05-08 13:52:08.000'],
                   'data':[1, 1, 1, 1]})

df['time'] = pd.to_datetime(df['time'])

print(df.groupby(pd.Grouper(key='time', freq='D'))['data'].sum())

印刷品：

         time
0  2019-05-03
1  2019-05-10
2  2019-05-10
3  2019-05-08

time
2019-05-03    1
2019-05-04    0
2019-05-05    0
2019-05-06    0
2019-05-07    0
2019-05-08    1
2019-05-09    0
2019-05-10    2
Freq: D, Name: data, dtype: int64

---

非常感谢。两种解决方案都非常有效！学到了很多！非常感谢。两种解决方案都非常有效！学到了很多！非常感谢。两种解决方案都非常有效！学到了很多！非常感谢。两种解决方案都非常有效！学到了很多！