Pandas & NumPy Academy · درس

تحليل التواريخ بطريقة صحيحة

حلّل سلاسل التواريخ إلى datetime64 باستخدام pd.to_datetime، وتعامل مع التنسيقات المتعددة، واضبط DatetimeIndex.

تحليل التواريخ بطريقة صحيحة درس مجاني في Pandas & NumPy Academy على CoddyKit. هذا هو الدرس 4 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Pandas & NumPy Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Pandas & NumPy Academy 4 دروس في المجموع.

بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.

Why Date Parsing Matters

Date and time data is ubiquitous in real-world datasets — transaction timestamps, birth dates, event logs, and financial periods. When dates are stored as strings (the object dtype), you cannot compute durations, resample by month, or sort chronologically. Converting strings to Pandas' datetime64 dtype unlocks the full time series API and makes temporal analysis possible.

import pandas as pd

df = pd.DataFrame({'date': ['2024-01-15', '2024-03-20', '2024-07-04']})
print(df['date'].dtype)  # object

# You cannot do arithmetic on string dates
# df['date'] + pd.Timedelta('1 day')  # TypeError!

# After parsing:
df['date'] = pd.to_datetime(df['date'])
print(df['date'].dtype)        # datetime64[ns]
print(df['date'] + pd.Timedelta('1 day'))

pd.to_datetime() Basics

pd.to_datetime(series) is the primary function for converting string columns to datetime64. It is smart enough to recognise most common date formats automatically (ISO 8601, US date, European date) without requiring a format string. The result is a Series with dtype datetime64[ns] — nanosecond precision, capable of storing timestamps from 1677 to 2262.

import pandas as pd

dates = pd.Series([
    '2024-01-15',
    '15/01/2024',
    'January 15, 2024',
    '2024-01-15 08:30:00'
])

parsed = pd.to_datetime(dates)
print(parsed)
# 0   2024-01-15 00:00:00
# 1   2024-01-15 00:00:00
# 2   2024-01-15 00:00:00
# 3   2024-01-15 08:30:00
print(parsed.dtype)  # datetime64[ns]

Specifying the format= Argument

When automatic inference is too slow or ambiguous (e.g., '01-02-03' could be January 2nd 2003 or February 1st 2003 or February 3rd 2001), provide the exact format string using Python's strftime codes. This is also significantly faster — on large datasets, explicit format parsing can be 10x faster than auto-inference because Pandas doesn't need to probe multiple patterns.

import pandas as pd

dates = pd.Series(['15/01/2024', '20/03/2024', '04/07/2024'])

# Explicit format: day/month/year
parsed = pd.to_datetime(dates, format='%d/%m/%Y')
print(parsed)
# 0   2024-01-15
# 1   2024-03-20
# 2   2024-07-04

# Common format codes:
# %Y = 4-digit year, %y = 2-digit year
# %m = month (01-12), %d = day (01-31)
# %H = hour (0-23), %M = minute, %S = second

errors='coerce' for Bad Dates

Real datasets often contain typos or placeholder strings like 'TBD', 'N/A', or '99/99/9999' in date columns. Passing errors='coerce' tells pd.to_datetime() to convert unparseable values to NaT (Not a Time — the datetime equivalent of NaN) instead of raising an exception. This lets you identify and handle bad dates separately.

import pandas as pd

dates = pd.Series(['2024-01-15', 'TBD', '2024-07-04', 'N/A'])

parsed = pd.to_datetime(dates, errors='coerce')
print(parsed)
# 0   2024-01-15
# 1          NaT
# 2   2024-07-04
# 3          NaT

# Detect bad dates
print('Bad date rows:', parsed.isna().sum())  # 2

parse_dates in read_csv()

The most efficient place to parse dates is at load time using the parse_dates parameter of pd.read_csv(). Pass a list of column names (or indices) that should be parsed as dates. This avoids a separate post-processing step and is often faster because Pandas handles it during the C-level CSV parsing.

import pandas as pd
import io

csv_data = '''order_id,order_date,ship_date
1,2024-01-15,2024-01-18
2,2024-02-20,2024-02-22
'''

df = pd.read_csv(
    io.StringIO(csv_data),
    parse_dates=['order_date', 'ship_date']
)
print(df.dtypes)
# order_id      int64
# order_date    datetime64[ns]
# ship_date     datetime64[ns]

The .dt Accessor for Date Components

Once a column has datetime64 dtype, the .dt accessor unlocks dozens of properties and methods. You can extract .dt.year, .dt.month, .dt.day, .dt.hour, .dt.dayofweek (0=Monday), and .dt.is_month_end. These are used for feature engineering in time series forecasting and for grouping data by time period.

import pandas as pd

df = pd.DataFrame({
    'event_time': pd.to_datetime([
        '2024-03-15 08:30:00',
        '2024-07-04 14:00:00',
        '2024-12-25 09:00:00'
    ])
})

df['year'] = df['event_time'].dt.year
df['month'] = df['event_time'].dt.month
df['day_of_week'] = df['event_time'].dt.day_name()
df['hour'] = df['event_time'].dt.hour
print(df[['year', 'month', 'day_of_week', 'hour']])

Setting a DatetimeIndex

For time series analysis, it is standard to set the datetime column as the DataFrame's index. With a DatetimeIndex, you can use time-based slicing (df['2024'], df['2024-01':'2024-06']), resample to any frequency, and access Pandas' full time series API. Use set_index() or pass index_col in read_csv.

import pandas as pd

df = pd.DataFrame({
    'date': pd.to_datetime(['2024-01-01', '2024-01-02', '2024-01-03']),
    'temp': [22.5, 23.0, 21.8]
})

df = df.set_index('date')
print(df)
#             temp
# date
# 2024-01-01  22.5
# 2024-01-02  23.0
# 2024-01-03  21.8

# Time-based slicing
print(df['2024-01-02':'2024-01-03'])

Handling Multiple Date Formats

If a date column contains a mix of formats (e.g., some rows have ISO dates, others have US-style dates), you cannot specify a single format string. Pass format='mixed' (Pandas 2.0+) to allow row-by-row format detection, or pre-clean the column with regex to normalise all dates to one format before calling pd.to_datetime().

import pandas as pd

mixed_dates = pd.Series([
    '2024-01-15',
    '03/20/2024',
    '2024-07-04T10:30:00'
])

# format='mixed' handles different formats row-by-row (Pandas >= 2.0)
parsed = pd.to_datetime(mixed_dates, format='mixed')
print(parsed)
# 0   2024-01-15 00:00:00
# 1   2024-03-20 00:00:00
# 2   2024-07-04 10:30:00

Timezone-Aware Datetimes

Real-world timestamps often come with timezone information. pd.to_datetime() can parse UTC offset strings (e.g., '2024-01-15 08:30:00+05:30') and store them as timezone-aware datetime64. Use .dt.tz_convert('UTC') to normalise all timestamps to a common timezone for correct comparison and arithmetic.

import pandas as pd

dates = pd.to_datetime(['2024-01-15 08:30:00+05:30', '2024-01-15 10:00:00-08:00'])
print(dates)
# DatetimeIndex(['2024-01-15 08:30:00+05:30', '2024-01-15 10:00:00-08:00'])

# Convert both to UTC for fair comparison
utc_dates = dates.tz_convert('UTC')
print(utc_dates)
# DatetimeIndex(['2024-01-15 03:00:00+00:00', '2024-01-15 18:00:00+00:00'])

Computing Date Differences

Arithmetic between two datetime64 columns produces a Timedelta Series. You can extract the number of days, hours, or seconds from a Timedelta using the .dt.days, .dt.seconds, and .dt.total_seconds() properties. This is the standard way to compute age, duration, or days-since-last-event features.

import pandas as pd

df = pd.DataFrame({
    'start': pd.to_datetime(['2024-01-01', '2024-03-10', '2024-06-15']),
    'end': pd.to_datetime(['2024-01-20', '2024-04-05', '2024-06-30'])
})

df['duration_days'] = (df['end'] - df['start']).dt.days
print(df[['start', 'end', 'duration_days']])
#        start        end  duration_days
# 0 2024-01-01 2024-01-20             19
# 1 2024-03-10 2024-04-05             26
# 2 2024-06-15 2024-06-30             15

pd.date_range() for Generating Dates

pd.date_range(start, end, freq=) generates a sequence of evenly spaced dates as a DatetimeIndex. This is useful for creating a complete time spine that you can reindex your data against — ensuring every calendar period appears in your output even if there were no events on that day. Common freq values: 'D' (daily), 'ME' (month-end), 'h' (hourly).

import pandas as pd

# Weekly dates for the first quarter of 2024
weekly = pd.date_range(start='2024-01-01', end='2024-03-31', freq='W')
print(weekly[:5])
# DatetimeIndex(['2024-01-07', '2024-01-14', '2024-01-21', '2024-01-28', '2024-02-04'])

# Monthly date spine
monthly = pd.date_range(start='2024-01', periods=12, freq='ME')
print(len(monthly), monthly[0], monthly[-1])
# 12 2024-01-31 2024-12-31

Quick Check

Test your understanding of parsing dates correctly in Pandas.

Lesson Recap

In this lesson you learned: pd.to_datetime() converts string columns to datetime64, format= specifies the exact pattern for speed and accuracy, and errors='coerce' turns bad dates into NaT instead of crashing. The .dt accessor extracts year, month, day, and other components, and setting a DatetimeIndex enables time-based slicing. Next up we explore the .str accessor for vectorised string operations.

الأسئلة الشائعة

هل درس «تحليل التواريخ بطريقة صحيحة» مجاني؟

نعم — نص درس «تحليل التواريخ بطريقة صحيحة» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Pandas & NumPy Academy، انتقل إلى CoddyKit PRO. تتضمن دورة Pandas & NumPy Academy 4 دروس في المجموع.

ماذا ستتعلم في «تحليل التواريخ بطريقة صحيحة»؟

حلّل سلاسل التواريخ إلى datetime64 باستخدام pd.to_datetime، وتعامل مع التنسيقات المتعددة، واضبط DatetimeIndex. تتمرن على Pandas & NumPy Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Pandas & NumPy Academy؟

لا تُشترط خبرة سابقة. Pandas & NumPy Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.

كم من الوقت يستغرق درس «تحليل التواريخ بطريقة صحيحة»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Pandas & NumPy Academy هذا؟

نعم. كل درس في Pandas & NumPy Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Pandas & NumPy Academy