将所有日期时间列 ('<M8[ns]') 转换为在输出到 HTML 时仅显示日期值

Question

我的项目涉及进行各种 SQL 查询，通过 pandas 将它们转换为 python 中的数据帧，按用户名列进行过滤，然后将过滤后的数据帧输出到单个 HTML 文件，这些文件将转换为 PDF 并发布。

我遇到了一个问题，当日期列出现在 HTML 中时，它们是 YY-MM-DD-HH-MM-SS，但我希望它们是 YY-MM-DD 以使 PDF 输出看起来像清洁工。

我知道我可以使用以下命令将单个命名列转换为所需的输出：

dataset['datecolumn'] = dataset['datecolumn'].dt.date

我确实设法使用上述方法解决了问题，方法是获取列名称列表，然后应用 for 循环，如下所示：

datecollist = list(dataset.select_dtypes(include=['datetime64']).columns)
for i in datecollist:
    dataset[i] = dataset[i].dt.date

然而，我真的很想找出一种更Pythonic的方法来解决这个问题，因为我想避免代码中进一步的for循环并通过Python能力来改进。

到目前为止，我尝试了一个映射器函数，但没有任何运气：

mapper = lambda x: x.dt.date if isinstance(x, np.datetime64) else x
dataset.columns = dataset.columns.map(mapper)

它似乎只是跳过了我想要转换的列。我注意到，当我检查这些列的数据类型时，它们显示为：

in: dataset['First Date'].dtype
out: dtype('<M8[ns]')

谁能建议我的映射器方法出了问题，或者向我展示一种更有效/更干净的解决问题的方法？

Answer 1

由于数据来自 SQL，另一种选择是在 SQL 中预先将所有日期时间转换为日期。例如，使用：

如何从 SQL Server DateTime 数据类型仅返回日期

仅当您在代码中不需要完整的日期时间时，这才有效 - 即所有逻辑仅使用日期。

虽然我也喜欢推导式的优雅（不必编写 for 循环！），但有时我最终会觉得它们笨拙且难以阅读，尤其是条件逻辑和映射函数。此外，它们的错误检查更加困难，因为它们试图同时应用多个操作。

在这种情况下，我使用的是简单的检查和重铸。

生成一些可测试的数据：

import pandas as pd
import numpy as np
from datetime import datetime

def make_data (n):

    ts1 = datetime.now().timestamp() + abs(np.random.normal(1000, 30, n)).cumsum()
    ts2 = datetime.now().timestamp() + abs(np.random.normal(2000, 10, n)).cumsum()

    df = pd.DataFrame({
        'c1': np.random.choice(list('ABCDEFGH'), n),
        'c2': np.random.choice(list('ABCDEFGH'), n),
        'c3': np.random.choice(list('ABCDEFGH'), n),
        'i1': np.random.randint(1, 20, n),
        't1': pd.to_datetime(ts1, unit='s'),
        't2': pd.to_datetime(ts2, unit='s'),
        'x1': np.random.randn(n),
        'x2': np.random.randn(n),
        'x3': np.random.randn(n)
        })

    return df

df = make_data(100)

然后将所有日期时间转换为日期：

# convert datetimes to just the date
for col in df.columns:
    if df[col].dtype == 'datetime64[ns]':
        df[col] = df[col].dt.date

更容易变成带有错误检查（try、 except）的通用函数，或者用于将对象转换为类别或将 int 转换为 float，或者...