推断哪些列是日期时间

Question

我有一个巨大的数据框，其中包含许多列，其中许多列都是type的datetime.datetime。问题在于，许多还具有混合类型，包括例如datetime.datetime值和None值（以及可能的其他无效值）：

0         2017-07-06 00:00:00
1         2018-02-27 21:30:05
2         2017-04-12 00:00:00
3         2017-05-21 22:05:00
4         2018-01-22 00:00:00
                 ...         
352867    2019-10-04 00:00:00
352868                   None
352869            some_string
Name: colx, Length: 352872, dtype: object

因此导致object类型列。这可以用解决df.colx.fillna(pd.NaT)。问题在于数据框太大，无法搜索单个列。

另一种方法是使用pd.to_datetime(col, errors='coerce')，但是这将强制转换为datetime包含数值的许多列。

我也可以做df.fillna(float('nan'), inplace=True)，尽管包含日期的列仍然是object类型，并且仍然会有相同的问题。

我可以采用哪种方法将那些其值确实包含datetime值但也可能包含None，以及可能包含一些无效值的列转换为日期时间（提及，否则pd.to_datetime在try/ except子句中使用a即可）？像是弹性版本pd.to_datetime(col)

Answer 1

此函数会将列的数据类型设置为日期时间，如果列中的任何值与正则表达式模式(\d{4}-\d{2}-\d{2})+ (例如 2019-01-01 ）。归功于这个关于如何在所有 Pandas DataFrame 列中搜索字符串和过滤器的答案，这有助于设置和应用掩码。

def presume_date(dataframe):
    """ Set datetime by presuming any date values in the column
        indicates that the column data type should be datetime.

    Args:
        dataframe: Pandas dataframe.

    Returns:
        Pandas dataframe.

    Raises:
        None
    """
    df = dataframe.copy()
    mask = dataframe.astype(str).apply(lambda x: x.str.match(
        r'(\d{4}-\d{2}-\d{2})+').any())
    df_dates = df.loc[:, mask].apply(pd.to_datetime, errors='coerce')
    for col in df_dates.columns:
        df[col] = df_dates[col]
    return df

从使用建议开始dateutil，这可能会有所帮助。它仍在假设如果列中有任何类似日期的值，则该列应该是日期时间。我试图考虑更快的不同数据帧迭代方法。我认为这个关于如何迭代 Pandas 中的 DataFrame 中的行的答案很好地描述了它们。

请注意，dateutil.parser对于没有年份或日期值的任何字符串，如“December”或“November 2019” ，将使用当前日期或年份。

import pandas as pd
import datetime
from dateutil.parser import parse

df = pd.DataFrame(columns=['are_you_a_date','no_dates_here'])
df = df.append(pd.Series({'are_you_a_date':'December 2015','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'February 27 2018','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'May 2017 12','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'2017-05-21','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':None,'no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'some_string','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'Processed: 2019/01/25','no_dates_here':'just a string'}), ignore_index=True)
df = df.append(pd.Series({'are_you_a_date':'December','no_dates_here':'just a string'}), ignore_index=True)


def parse_dates(x):
    try:
        return parse(x,fuzzy=True)
    except ValueError:
        return ''
    except TypeError:
        return ''


list_of_datetime_columns = []
for row in df:
    if any([isinstance(parse_dates(row[0]),
                       datetime.datetime) for row in df[[row]].values]):
        list_of_datetime_columns.append(row)

df_dates = df.loc[:, list_of_datetime_columns].apply(pd.to_datetime, errors='coerce')

for col in list_of_datetime_columns:
    df[col] = df_dates[col]

如果您还想使用 中的数据时间值dateutil.parser，您可以添加以下内容：

for col in list_of_datetime_columns:
    df[col] = df[col].apply(lambda x: parse_dates(x))

Answer 2

我看到的主要问题是解析数值时。

我建议首先将它们转换为字符串

设置

dat = {
    'index': [0, 1, 2, 3, 4, 352867, 352868, 352869],
    'columns': ['Mixed', 'Numeric Values', 'Strings'],
    'data': [
        ['2017-07-06 00:00:00', 1, 'HI'],
        ['2018-02-27 21:30:05', 1, 'HI'],
        ['2017-04-12 00:00:00', 1, 'HI'],
        ['2017-05-21 22:05:00', 1, 'HI'],
        ['2018-01-22 00:00:00', 1, 'HI'],
        ['2019-10-04 00:00:00', 1, 'HI'],
        ['None', 1, 'HI'],
        ['some_string', 1, 'HI']
    ]
}

df = pd.DataFrame(**dat)

df

                      Mixed  Numeric Values Strings
0       2017-07-06 00:00:00               1      HI
1       2018-02-27 21:30:05               1      HI
2       2017-04-12 00:00:00               1      HI
3       2017-05-21 22:05:00               1      HI
4       2018-01-22 00:00:00               1      HI
352867  2019-10-04 00:00:00               1      HI
352868                 None               1      HI
352869          some_string               1      HI

解决方案

df.astype(str).apply(pd.to_datetime, errors='coerce')

                     Mixed Numeric Values Strings
0      2017-07-06 00:00:00            NaT     NaT
1      2018-02-27 21:30:05            NaT     NaT
2      2017-04-12 00:00:00            NaT     NaT
3      2017-05-21 22:05:00            NaT     NaT
4      2018-01-22 00:00:00            NaT     NaT
352867 2019-10-04 00:00:00            NaT     NaT
352868                 NaT            NaT     NaT
352869                 NaT            NaT     NaT