Python数据分析和数据处理库Pandas（日期数据处理初识）

Yu_Lijing

667人浏览 · 2026-04-21 00:12:16

Yu_Lijing · 2026-04-21 00:12:16 发布

一.to_datetime()进行日期格式转换

1.参数说明

2.将字符串字段转换为日期类型

二.时间属性访问器对象Series.dt，获取日期数据的年月日星期

一.to_datetime()进行日期格式转换

1.参数说明

参数名	说明
arg	要转换的日期时间数据，核心输入。支持字符串、数字（时间戳）、列表、Series、DataFrame 等多种格式。
errors	解析失败时的处理方式。 - `raise`（默认）：抛出异常 - `coerce`：将无效值转为 `NaT` - `ignore`：保留原字符串不转换
dayfirst	解析日期时是否优先解析 “日”。对类似 `10/11/12` 的字符串，设为 `True` 时会解析为 `12-11-10`（日 / 月 / 年），`False` 则默认月 / 日 / 年。就是用来区分`10/11/12的10是日还是月的。`
yearfirst	解析日期时是否优先解析 “年”。对类似 `10/11/12` 的字符串，设为 `True` 时会优先按 `年/月/日` 解析（如 `10/11/12` 解析为 `2010-11-12`）。当日期字符串是 '2010/1/4' 这种形式，由于年份是 4 位数字，pandas 能很清晰地识别出这是年份，所以即使 yearfirst 为 False，也不会影响其正确解析
utc	是否将解析结果转为 UTC 时区。设为 `True` 时，返回的时间会强制转为 UTC 时间；若原数据含时区信息，会自动转换。
format	自定义日期解析格式，用于处理非标准格式的字符串。格式符遵循 `strftime` 规范，如 `%Y-%m-%d %H:%M:%S`。
exact	是否要求 `format` 与输入字符串完全匹配。 - `True`（默认）：必须严格匹配格式，否则报错 - `False`：允许格式与字符串部分匹配（如忽略多余字符）
unit	时间戳的单位，用于解析数字类型的时间戳。支持 `s`（秒）、`ms`（毫秒）、`us`（微秒）、`ns`（纳秒，默认）。
infer_datetime_format	是否自动推断日期字符串的格式，提升解析速度。设为 `True` 时，pandas 会尝试自动识别格式，比 `format=None` 更快，但仅对常见格式有效。
origin	时间戳的基准时间，用于将数字转为日期。默认 `'unix'` 即 `1970-01-01`，也可指定自定义日期（如 `'2000-01-01'`）。
cache	是否缓存解析结果，提升重复调用时的性能。默认 `True`，对大量重复日期字符串解析时更高效。

2.将字符串字段转换为日期类型

import pandas as pd

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])
print(df)
print(df["ymd"].dtype)

运行结果：

二.时间属性访问器对象Series.dt，获取日期数据的年月日星期

1.获取年月日

import pandas as pd

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])

df["yy"], df["mm"], df["dd"] = df["ymd"].dt.year, df["ymd"].dt.month, df["ymd"].dt.day
print(df)

运行结果：

2.获取星期

import pandas as pd

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])

df["week"] = df["ymd"].dt.day_name()
print(df)

运行结果：

3.获取日期所在季度

import pandas as pd

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])

df["quarter"] = df["ymd"].dt.quarter
print(df)

运行结果：

4.判断日期是否月底年底

import pandas as pd

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])

df["mend"] = df["ymd"].dt.is_month_end
df["yend"] = df["ymd"].dt.is_year_end
print(df)

运行结果：

三 .to_period()获取统计周期

freq：这是 to_period() 方法最重要的参数，用于指定要转换的时间周期频率

常见的取值如下：

"D"：按天周期，例如 2024-01-01 会转换为 2024-01-01 这个天的周期。
"W"：按周周期，通常以周日作为一周的结束，比如日期落在某一周内，就会转换为该周的周期表示。
"M"：按月周期，像 2024-05-15 会转换为 2024-05。
"Q"：按季度周期，一年分为四个季度，日期会转换到对应的季度周期，例如 2024Q2 。
"A" 或 "Y"：按年周期，如 2024-07-20 会转换为 2024 。

import pandas as pd
import numpy as np

df = pd.DataFrame({"gmv": [100, 200, 300, 400],
                   "trade_date": ["2025-01-06", "2023-10-31", "2023-12-31", "2023-01-05"]})
df["ymd"] = pd.to_datetime(df["trade_date"])

df["ystat"] = df["ymd"].dt.to_period("Y")
df["mstat"] = df["ymd"].dt.to_period("M")
df["qstat"] = df["ymd"].dt.to_period("Q")
df["wstat"] = df["ymd"].dt.to_period("W")
print(df)

运行结果：