Python 从数据列中的日期字符串列中提取年份

我有一个具有日期列的数据集：

df.faultDate.head()

0    2014-07-13
1    2014-07-13
2    2014-07-12
3    2014-07-12
4    2014-07-13

我正试图从那以后再过几年

dt.datetime.strptime(df.faultDate[0], '%Y-%m-%d').year

2014

但是：

df.faultDate.apply（dt.datetime.strtime，args=（“%Y-%m-%d”））
---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
在（）
---->1 df.faultDate.apply（dt.datetime.strtime，args=（“%Y-%m-%d”））
/home/shinny/anaconda3/lib/python3.4/site-packages/pandas/core/series.py在应用中（self、func、convert\u dtype、args、**kwds）
2058 values=lib.map\u推断（值，lib.Timestamp）
2059
->2060 mapped=lib.map\u expert（值，f，convert=convert\u数据类型）
2061如果len（映射）和isinstance（映射[0]，系列）：
2062从pandas.core.frame导入数据帧
pandas.lib.map_infer（pandas/lib.c:58435）（）中的pandas/src/inference.pyx
/home/shinny/anaconda3/lib/python3.4/site-packages/pandas/core/series.py in（x）
2047
2048如果kwds或args不存在（func，np.ufunc）：
->2049 f=λx:func（x，*args，**kwds）
2050年其他：
2051 f=func
TypeError:strTime（）正好接受2个参数（给定9个）

---

在成功地将字符串转换为日期时间后，我也不确定如何传递

.year

参数。我可以编写一个包装器函数，将每一行作为输入，然后提取年份，但我认为了解如何应用pandas语法以供将来参考是很有用的。谢谢

我认为您需要的是针对实际对象而不是整个文件调用：

dt.datetime.strptime(df.faultDate[0], '%Y-%m-%d').year

变成

(df.faultDate[0]).apply(dt.datetime.strptime, args=('%Y-%m-%d’))

---

注意下标

我认为您需要的是针对实际对象而不是整个文件调用：

dt.datetime.strptime(df.faultDate[0], '%Y-%m-%d').year

变成

(df.faultDate[0]).apply(dt.datetime.strptime, args=('%Y-%m-%d’))

---

注意下标

我认为您需要的是针对实际对象而不是整个文件调用：

dt.datetime.strptime(df.faultDate[0], '%Y-%m-%d').year

变成

(df.faultDate[0]).apply(dt.datetime.strptime, args=('%Y-%m-%d’))

---

注意下标

我认为您需要的是针对实际对象而不是整个文件调用：

dt.datetime.strptime(df.faultDate[0], '%Y-%m-%d').year

变成

(df.faultDate[0]).apply(dt.datetime.strptime, args=('%Y-%m-%d’))

注意下标

Method#1（更好，IMHO）：将其视为日期解析问题，之后我们可以使用

.dt

矢量化时间访问器

>>> pd.to_datetime(df.faultDate).dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

如果需要，我们可以指定格式：

>>> pd.to_datetime(df.faultDate, format="%Y-%m-%d").dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法2：将其视为字符串解析问题。在某些方面不太自然，但作为一个在其他场合可以派上用场的技巧的例子，还不错。我们可以使用矢量化字符串操作：

>>> df.faultDate.str[:4].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
Name: faultDate, dtype: int64
>>> df.faultDate.str.split("-").str[0].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法#1（更好，IMHO）：将其视为一个日期解析问题，之后我们可以使用

.dt

向量化时间访问器

>>> pd.to_datetime(df.faultDate).dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

如果需要，我们可以指定格式：

>>> pd.to_datetime(df.faultDate, format="%Y-%m-%d").dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法2：将其视为字符串解析问题。在某些方面不太自然，但作为一个在其他场合可以派上用场的技巧的例子，还不错。我们可以使用矢量化字符串操作：

>>> df.faultDate.str[:4].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
Name: faultDate, dtype: int64
>>> df.faultDate.str.split("-").str[0].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法#1（更好，IMHO）：将其视为一个日期解析问题，之后我们可以使用

.dt

向量化时间访问器

>>> pd.to_datetime(df.faultDate).dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

如果需要，我们可以指定格式：

>>> pd.to_datetime(df.faultDate, format="%Y-%m-%d").dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法2：将其视为字符串解析问题。在某些方面不太自然，但作为一个在其他场合可以派上用场的技巧的例子，还不错。我们可以使用矢量化字符串操作：

>>> df.faultDate.str[:4].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
Name: faultDate, dtype: int64
>>> df.faultDate.str.split("-").str[0].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法#1（更好，IMHO）：将其视为一个日期解析问题，之后我们可以使用

.dt

向量化时间访问器

>>> pd.to_datetime(df.faultDate).dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

如果需要，我们可以指定格式：

>>> pd.to_datetime(df.faultDate, format="%Y-%m-%d").dt.year
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

方法2：将其视为字符串解析问题。在某些方面不太自然，但作为一个在其他场合可以派上用场的技巧的例子，还不错。我们可以使用矢量化字符串操作：

>>> df.faultDate.str[:4].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
Name: faultDate, dtype: int64
>>> df.faultDate.str.split("-").str[0].astype(int)
0    2014
1    2014
2    2014
3    2014
4    2014
dtype: int64

---

谢谢我喜欢第一个版本。谢谢！我喜欢第一个版本。谢谢！我喜欢第一个版本。谢谢！我喜欢第一个版本。