Tolka datum korrekt

Datum- och tidsdata finns överallt i verkliga dataset – tidsstämplar för transaktioner, födelsedatum, händelseloggar och finansiella perioder. När datum lagras som strängar (datatypen object) kan du inte beräkna tidsintervall, göra omprovtagning per månad eller sortera kronologiskt. Genom att konvertera strängar till Pandas-datatypen datetime64 får du tillgång till hela API:et för tidsserier och kan utföra tidsanalys.

pd.to_datetime(series) är den primära funktionen för att konvertera strängkolumner till datetime64. Den känner automatiskt igen de flesta vanliga datumformat, såsom ISO 8601 samt amerikanska och europeiska datumformat, utan att en formatsträng krävs. Resultatet är en Series med datatypen datetime64[ns] – precision på nanosekundnivå, med stöd för tidsstämplar från 1677 till 2262.

När automatisk tolkning är för långsam eller tvetydig, till exempel när '01-02-03' kan betyda 2 januari 2003, 1 februari 2003 eller 3 februari 2001, anger du den exakta formatsträngen med Pythons strftime-koder. Det är också betydligt snabbare – på stora dataset kan explicit formattolkning vara 10 gånger snabbare än automatisk tolkning, eftersom Pandas inte behöver prova flera mönster.

Verkliga dataset innehåller ofta stavfel eller platshållarsträngar som 'TBD', 'N/A' eller '99/99/9999' i datumkolumner. Om du skickar med errors='coerce' instrueras pd.to_datetime() att konvertera värden som inte kan tolkas till NaT (Not a Time – datetime-motsvarigheten till NaN) i stället för att utlösa ett undantag. Då kan du identifiera och hantera felaktiga datum separat.

Det effektivaste stället att tolka datum är vid inläsningen med parametern parse_dates i pd.read_csv(). Ange en lista med kolumnnamn eller index som ska tolkas som datum. Då undviker du ett separat efterbearbetningssteg, och det går ofta snabbare eftersom Pandas hanterar detta under CSV-tolkningen på C-nivå.

När en kolumn har datatypen datetime64 ger accessorn .dt tillgång till dussintals egenskaper och metoder. Du kan hämta .dt.year, .dt.month, .dt.day, .dt.hour, .dt.dayofweek (0=måndag) och .dt.is_month_end. Dessa används för funktionsskapande i prognoser för tidsserier och för att gruppera data efter tidsperiod.

Vid tidsserieanalys är det standard att ange datumkolumnen som DataFrame-objektets index. Med ett DatetimeIndex kan du använda tidsbaserad segmentering (df['2024'], df['2024-01':'2024-06']), göra omprovtagning till valfri frekvens och få tillgång till hela Pandas API för tidsserier. Använd set_index() eller skicka med index_col i read_csv.

Om en datumkolumn innehåller en blandning av format, till exempel om vissa rader har ISO-datum och andra datum i amerikanskt format, kan du inte ange en enda formatsträng. Skicka med format='mixed' (Pandas 2.0+) för att aktivera radvis formatidentifiering, eller förrensa kolumnen med regex för att normalisera alla datum till ett format innan du anropar pd.to_datetime().

Tidsstämplar från verkligheten innehåller ofta information om tidszon. pd.to_datetime() kan tolka strängar med UTC-förskjutning, till exempel '2024-01-15 08:30:00+05:30', och lagra dem som tidszonsmedvetna datetime64-värden. Använd .dt.tz_convert('UTC') för att normalisera alla tidsstämplar till en gemensam tidszon så att jämförelser och beräkningar blir korrekta.

Aritmetik mellan två datetime64-kolumner ger en Timedelta-Series. Du kan hämta antalet dagar, timmar eller sekunder från en Timedelta med egenskaperna .dt.days, .dt.seconds och .dt.total_seconds(). Detta är standardmetoden för att beräkna ålder, varaktighet eller funktioner som anger antal dagar sedan den senaste händelsen.

pd.date_range(start, end, freq=) genererar en sekvens med jämnt fördelade datum som ett DatetimeIndex. Detta är användbart när du vill skapa en komplett tidsaxel som du kan indexjustera dina data mot – så att varje kalenderperiod visas i resultatet även om inga händelser inträffade den dagen. Vanliga värden för freq är: 'D' (dagligen), 'ME' (månadsslut) och 'h' (varje timme).

I den här lektionen har du lärt dig att pd.to_datetime() konverterar strängkolumner till datetime64, att format= anger det exakta mönstret för bättre hastighet och precision, och att errors='coerce' omvandlar felaktiga datum till NaT i stället för att programmet kraschar. Accessorn .dt hämtar år, månad, dag och andra komponenter, och genom att ange ett DatetimeIndex aktiveras tidsbaserad segmentering. Nästa steg är att utforska accessorn .str för vektoriserade strängoperationer.