Korrekt fortolkning af datoer

Dato- og tidsdata findes overalt i datasæt fra den virkelige verden — tidsstempler for transaktioner, fødselsdatoer, hændelseslogge og regnskabsperioder. Når datoer gemmes som strenge (datatypen object), kan du ikke beregne varigheder, aggregere efter måned eller sortere kronologisk. Når du konverterer strenge til Pandas' datetime64-datatype, får du adgang til hele API'et til tidsserier, og tidsmæssig analyse bliver mulig.

pd.to_datetime(series) er den primære funktion til at konvertere strengkolonner til datetime64. Den kan automatisk genkende de fleste almindelige datoformater (ISO 8601, amerikanske datoer og europæiske datoer) uden at kræve en formatstreng. Resultatet er en Series med datatypen datetime64[ns] — nanosekundpræcision, der kan gemme tidsstempler fra 1677 til 2262.

Når automatisk fortolkning er for langsom eller tvetydig (f.eks. kan '01-02-03' betyde 2. januar 2003, 1. februar 2003 eller 3. februar 2001), skal du angive den nøjagtige formatstreng ved hjælp af Pythons strftime-koder. Det er også betydeligt hurtigere — på store datasæt kan fortolkning med et eksplicit format være 10 gange hurtigere end automatisk fortolkning, fordi Pandas ikke behøver at afprøve flere mønstre.

Datasæt fra den virkelige verden indeholder ofte slåfejl eller pladsholderstrenge som 'TBD', 'N/A' eller '99/99/9999' i datokolonner. Hvis du angiver errors='coerce', får pd.to_datetime() besked på at konvertere værdier, der ikke kan fortolkes, til NaT (Not a Time — datetime-ækvivalenten til NaN) i stedet for at udløse en undtagelse. Det gør det muligt at identificere og håndtere ugyldige datoer separat.

Det mest effektive tidspunkt at fortolke datoer på er ved indlæsning ved hjælp af parameteren parse_dates i pd.read_csv(). Angiv en liste med kolonnenavne (eller indekser), der skal fortolkes som datoer. Det eliminerer et separat efterbehandlingstrin og er ofte hurtigere, fordi Pandas håndterer det under CSV-fortolkningen på C-niveau.

Når en kolonne har datatypen datetime64, giver .dt-adgangen adgang til snesevis af egenskaber og metoder. Du kan udtrække .dt.year, .dt.month, .dt.day, .dt.hour, .dt.dayofweek (0=mandag) og .dt.is_month_end. De bruges til konstruktion af egenskaber i prognoser for tidsserier og til gruppering af data efter tidsperiode.

Ved analyse af tidsserier er det standard at indstille datokolonnen som DataFramets indeks. Med et DatetimeIndex kan du bruge tidsbaseret udsnit (df['2024'], df['2024-01':'2024-06']), aggregere til enhver frekvens og få adgang til hele Pandas' API til tidsserier. Brug set_index(), eller angiv index_col i read_csv.

Hvis en datokolonne indeholder en blanding af formater (f.eks. hvis nogle rækker har ISO-datoer, mens andre har datoer i amerikansk format), kan du ikke angive én enkelt formatstreng. Angiv format='mixed' (Pandas 2.0+) for at tillade registrering af formatet række for række, eller rens kolonnen på forhånd med regex for at normalisere alle datoer til ét format, før du kalder pd.to_datetime().

Tidsstempler fra den virkelige verden indeholder ofte oplysninger om tidszone. pd.to_datetime() kan fortolke strenge med UTC-forskydning (f.eks. '2024-01-15 08:30:00+05:30') og gemme dem som tidszonebevidst datetime64. Brug .dt.tz_convert('UTC') til at normalisere alle tidsstempler til en fælles tidszone, så sammenligninger og beregninger bliver korrekte.

Aritmetik mellem to datetime64-kolonner producerer en Timedelta-Series. Du kan udtrække antallet af dage, timer eller sekunder fra en Timedelta ved hjælp af egenskaberne .dt.days, .dt.seconds og .dt.total_seconds(). Det er standardmetoden til at beregne alder, varighed eller egenskaber som antal dage siden seneste hændelse.

pd.date_range(start, end, freq=) genererer en sekvens af jævnt fordelte datoer som et DatetimeIndex. Det er nyttigt til at oprette en komplet tidsakse, som du kan genindeksere dine data efter — så hver kalenderperiode vises i resultatet, selv hvis der ikke var nogen hændelser den pågældende dag. Almindelige værdier for freq: 'D' (dagligt), 'ME' (månedsslutning), 'h' (hver time).

I denne lektion har du lært, at pd.to_datetime() konverterer strengkolonner til datetime64, at format= angiver det nøjagtige mønster for hastighed og nøjagtighed, og at errors='coerce' konverterer ugyldige datoer til NaT i stedet for at få programmet til at gå ned. .dt-adgangen udtrækker år, måned, dag og andre komponenter, og et DatetimeIndex gør tidsbaserede udsnit mulige. Dernæst udforsker vi .str-adgangen til vektoriserede strengoperationer.