Python pandaları kullanarak Tarih ve Saat sütunlarını birleştirin

Aşağıdaki sütunlara sahip bir panda veri çerçevem ​​var;

Date              Time
01-06-2013      23:00:00
02-06-2013      01:00:00
02-06-2013      21:00:00
02-06-2013      22:00:00
02-06-2013      23:00:00
03-06-2013      01:00:00
03-06-2013      21:00:00
03-06-2013      22:00:00
03-06-2013      23:00:00
04-06-2013      01:00:00

Aşağıdakileri elde etmek için verileri ['Tarih'] ve verileri ['Saat'] nasıl birleştiririm? Kullanmanın bir yolu var mı pd.to_datetime?

Date
01-06-2013 23:00:00
02-06-2013 01:00:00
02-06-2013 21:00:00
02-06-2013 22:00:00
02-06-2013 23:00:00
03-06-2013 01:00:00
03-06-2013 21:00:00
03-06-2013 22:00:00
03-06-2013 23:00:00
04-06-2013 01:00:00

Eğer bu okumak mümkün olabileceğini belirterek 's değerinde doğrudan kullandığınız takdirde, örneğin read_csvkullanarak parse_dates=[['Date', 'Time']].

Bunların sadece dizeler olduğunu varsayarsak, onları basitçe (boşlukla) ekleyebilir ve uygulamanıza izin verebilirsiniz to_datetime:

In [11]: df['Date'] + ' ' + df['Time']
Out[11]:
0    01-06-2013 23:00:00
1    02-06-2013 01:00:00
2    02-06-2013 21:00:00
3    02-06-2013 22:00:00
4    02-06-2013 23:00:00
5    03-06-2013 01:00:00
6    03-06-2013 21:00:00
7    03-06-2013 22:00:00
8    03-06-2013 23:00:00
9    04-06-2013 01:00:00
dtype: object

In [12]: pd.to_datetime(df['Date'] + ' ' + df['Time'])
Out[12]:
0   2013-01-06 23:00:00
1   2013-02-06 01:00:00
2   2013-02-06 21:00:00
3   2013-02-06 22:00:00
4   2013-02-06 23:00:00
5   2013-03-06 01:00:00
6   2013-03-06 21:00:00
7   2013-03-06 22:00:00
8   2013-03-06 23:00:00
9   2013-04-06 01:00:00
dtype: datetime64[ns]

Not: şaşırtıcı bir şekilde (benim için), bu NaN'lerin NaT'ye dönüştürülmesiyle iyi çalışıyor, ancak dönüşümün (belki de raiseargümanı kullanarak ) endişelenmeye değer .

Kabul edilen yanıt, veri türündeki sütunlar için geçerlidir string. Tamlık için: Sütunlar veri türü olduğunda, bunun nasıl yapılacağını ararken bu soruyla karşılaşıyorum: tarih ve saat.

df.apply(lambda r : pd.datetime.combine(r['date_column_name'],r['time_column_name']),1)

Tarih ve saati aynı veri çerçevesi sütununda birleştirmek için bunu kullanabilirsiniz.

import pandas as pd    
data_file = 'data.csv' #path of your file

Birleştirilmiş sütunlarla Date_Time .csv dosyası okunuyor:

data = pd.read_csv(data_file, parse_dates=[['Date', 'Time']]) 

Bu satırı diğer iki sütunu da tutmak için kullanabilirsiniz.

data.set_index(['Date', 'Time'], drop=False)

Türler farklıysa (tarih saat ve zaman damgası veya str) sütunları çevirebilir ve to_datetime kullanabilirsiniz:

df.loc[:,'Date'] = pd.to_datetime(df.Date.astype(str)+' '+df.Time.astype(str))

Sonuç:

0   2013-01-06 23:00:00
1   2013-02-06 01:00:00
2   2013-02-06 21:00:00
3   2013-02-06 22:00:00
4   2013-02-06 23:00:00
5   2013-03-06 01:00:00
6   2013-03-06 21:00:00
7   2013-03-06 22:00:00
8   2013-03-06 23:00:00
9   2013-04-06 01:00:00

En iyi,

Jka.ne hakkında yorum yapacak kadar itibarım yok :

Çalışması için jka.ne'nin satırını değiştirmek zorunda kaldım :

df.apply(lambda r : pd.datetime.combine(r['date_column_name'],r['time_column_name']).time(),1)

Bu başkalarına yardımcı olabilir.

Ayrıca, ben kullanarak, farklı bir yaklaşım test ettik replaceyerine combine:

def combine_date_time(df, datecol, timecol):
    return df.apply(lambda row: row[datecol].replace(
                                hour=row[timecol].hour,
                                minute=row[timecol].minute),
                    axis=1)

OP durumunda bu şu şekilde olacaktır:

combine_date_time(df, 'Date', 'Time')

Nispeten büyük bir veri kümesi için her iki yaklaşımı da zamanladım (> 500.000 satır) ve her ikisinin de benzer çalışma zamanları var, ancak combinekullanımı daha hızlı ( replace50s için 59s, 50s için combine).

Cevap gerçekten sütun türlerinizin ne olduğuna bağlıdır . Benim durumumda datetimeve vardı timedelta.

> df[['Date','Time']].dtypes
Date     datetime64[ns]
Time    timedelta64[ns]

Durumunuz buysa, yalnızca sütunları eklemeniz gerekir:

> df['Date'] + df['Time']

Ayrıca datetime, datetimeve timedeltanesneleri birleştirerek dize birleştirme olmadan da dönüştürebilirsiniz . İle birleştirildiğinde pd.DataFrame.pop, kaynak seriyi aynı anda kaldırabilirsiniz:

df['DateTime'] = pd.to_datetime(df.pop('Date')) + pd.to_timedelta(df.pop('Time'))

print(df)

             DateTime
0 2013-01-06 23:00:00
1 2013-02-06 01:00:00
2 2013-02-06 21:00:00
3 2013-02-06 22:00:00
4 2013-02-06 23:00:00
5 2013-03-06 01:00:00
6 2013-03-06 21:00:00
7 2013-03-06 22:00:00
8 2013-03-06 23:00:00
9 2013-04-06 01:00:00

print(df.dtypes)

DateTime    datetime64[ns]
dtype: object

Öncelikle doğru veri türlerine sahip olduğunuzdan emin olun:

df["Date"] = pd.to_datetime(df["Date"])
df["Time"] = pd.to_timedelta(df["Time"])

Sonra bunları kolayca birleştirirsiniz:

df["DateTime"] = df["Date"] + df["Time"]

Şu combineişlevi kullanın :

datetime.datetime.combine(date, time)

Veri kümemde birkaç gün için 1 saniye çözünürlük verisi vardı ve burada önerilen yöntemlerle ayrıştırma çok yavaştı. Bunun yerine kullandım:

dates = pandas.to_datetime(df.Date, cache=True)
times = pandas.to_timedelta(df.Time)
datetimes  = dates + times

Kullanımına dikkat cache=Truekombine tarih ve saat sütunu için doğru değildir benim dosyaları içinde yalnızca birkaç benzersiz tarihleri olmadığından çok verimli tarihleri ayrıştırma yapar.

VERİ:

<TICKER>, <PER>, <DATE>, <TIME> , <OPEN>, <HIGH>, <LOW>, <CLOSE>, <VOL> SPFB.RTS, 1, 20190103,100100 , 106580.0000000,107260.0000000,106570.0000000 , 107230.0000000.3726

KOD:

data.columns = ['ticker', 'per', 'date', 'time', 'open', 'high', 'low', 'close', 'vol']    
data.datetime = pd.to_datetime(data.date.astype(str) + ' ' + data.time.astype(str), format='%Y%m%d %H%M%S')