将datetime64列拆分为pandas数据框中的日期和时间列

Question

如果我有一个数据帧，并且第一列是datetime64列。如何将此列分成2个新列，日期列和时间列。这是我的数据和代码至今：

DateTime,Actual,Consensus,Previous 
20140110 13:30:00,74000,196000,241000 
20131206 13:30:00,241000,180000,200000 
20131108 13:30:00,200000,125000,163000 
20131022 12:30:00,163000,180000,193000 
20130906 12:30:00,193000,180000,104000 
20130802 12:30:00,104000,184000,188000 
20130705 12:30:00,188000,165000,176000 
20130607 12:30:00,176000,170000,165000 
20130503 12:30:00,165000,145000,138000 
20130405 12:30:00,138000,200000,268000 
... 


import pandas as pd 
nfp = pd.read_csv("NFP.csv", parse_dates=[0]) 
nfp 

给出：

Out[10]: <class 'pandas.core.frame.DataFrame'> 
     Int64Index: 83 entries, 0 to 82 
     Data columns (total 4 columns): 
     DateTime  82 non-null values 
     Actual  82 non-null values 
     Consensus 82 non-null values 
     Previous  82 non-null values 
     dtypes: datetime64[ns](1), float64(3) 

都好，但不知道该怎么在这里做。

两点具体我不确定：

1. 是否有可能做到这一点，当我读到摆在首位的csv文件？如果是这样，怎么样？
2. 任何人可以帮助告诉我如何执行csv_read之后的拆分？

还有什么地方可以查看这种信息吗？

很难找到类库的详细参考谢谢！

Answer 1

如何解析CSV直接进入所期望的数据帧：

传递的功能的字典来pandas.read_csv的converters关键字参数：

import pandas as pd 
import datetime as DT 
nfp = pd.read_csv("NFP.csv", 
        sep=r'[\s,]',    # 1 
        header=None, skiprows=1, 
        converters={    # 2 
         0: lambda x: DT.datetime.strptime(x, '%Y%m%d'), 
         1: lambda x: DT.time(*map(int, x.split(':')))}, 
        names=['Date', 'Time', 'Actual', 'Consensus', 'Previous']) 

print(nfp) 

产量

 Date  Time Actual Consensus Previous 
0 2014-01-10 13:30:00 74000  196000 241000 
1 2013-12-06 13:30:00 241000  180000 200000 
2 2013-11-08 13:30:00 200000  125000 163000 
3 2013-10-22 12:30:00 163000  180000 193000 
4 2013-09-06 12:30:00 193000  180000 104000 
5 2013-08-02 12:30:00 104000  184000 188000 
6 2013-07-05 12:30:00 188000  165000 176000 
7 2013-06-07 12:30:00 176000  170000 165000 
8 2013-05-03 12:30:00 165000  145000 138000 
9 2013-04-05 12:30:00 138000  200000 268000 

1. sep=r'[\s,]'告诉read_csv在 正则表达式模式r'[\s,]'上分割csv的行 - 一个空格或逗号。
2. converters参数告诉read_csv将给定的 函数应用于某些列。键（例如0和1）指的是 列索引，这些值是要应用的函数。

---

如何执行csv_read

import pandas as pd 
nfp = pd.read_csv("NFP.csv", parse_dates=[0], infer_datetime_format=True) 
temp = pd.DatetimeIndex(nfp['DateTime']) 
nfp['Date'] = temp.date 
nfp['Time'] = temp.time 
del nfp['DateTime'] 

print(nfp) 

---

这是更快拆分后的数据帧？

这取决于CSV的大小。 （感谢Jeff指出这）

对于微小的CSV，解析CSV成所需的形式直接比使用与parse_dates=[0]解析后DatetimeIndex更快：

def using_converter(): 
    nfp = pd.read_csv("NFP.csv", sep=r'[\s,]', header=None, skiprows=1, 
         converters={ 
          0: lambda x: DT.datetime.strptime(x, '%Y%m%d'), 
          1: lambda x: DT.time(*map(int, x.split(':')))}, 
         names=['Date', 'Time', 'Actual', 'Consensus', 'Previous']) 
    return nfp 

def using_index(): 
    nfp = pd.read_csv("NFP.csv", parse_dates=[0], infer_datetime_format=True) 
    temp = pd.DatetimeIndex(nfp['DateTime']) 
    nfp['Date'] = temp.date 
    nfp['Time'] = temp.time 
    del nfp['DateTime'] 
    return nfp 

In [114]: %timeit using_index() 
100 loops, best of 3: 1.71 ms per loop 

In [115]: %timeit using_converter() 
1000 loops, best of 3: 914 µs per loop 

然而，对于刚刚的CSV几百行或更多，使用DatetimeIndex更快。

N = 20 
filename = '/tmp/data' 
content = '''\ 
DateTime,Actual,Consensus,Previous 
20140110 13:30:00,74000,196000,241000 
20131206 13:30:00,241000,180000,200000 
20131108 13:30:00,200000,125000,163000 
20131022 12:30:00,163000,180000,193000 
20130906 12:30:00,193000,180000,104000 
20130802 12:30:00,104000,184000,188000 
20130705 12:30:00,188000,165000,176000 
20130607 12:30:00,176000,170000,165000 
20130503 12:30:00,165000,145000,138000 
20130405 12:30:00,138000,200000,268000''' 

def setup(n): 
    header, remainder = content.split('\n', 1) 
    with open(filename, 'w') as f: 
     f.write('\n'.join([header]+[remainder]*n)) 

In [304]: setup(50) 

In [305]: %timeit using_converter() 
100 loops, best of 3: 9.78 ms per loop 

In [306]: %timeit using_index() 
100 loops, best of 3: 9.3 ms per loop 

---

我在哪里可以看一下这方面的信息？

1. 有时你可以在Pandas Cookbook找到示例。
2. 有时网络搜索或搜索Stackoverflow就足够了。
3. 花什么也没有下雪周末做的，但读 pandas documentation一定会帮助了。
4. 安装IPython。它具有制表符完成功能，如果您在 函数之后键入?，它将为您提供该函数的文档字符串。这两个功能 确实可以帮助您快速反思Python对象。它还告诉你在函数定义哪些文件（如果在纯Python定义） - 这使我...
5. Reading the source code

只要坚持下去。你越了解它就越容易。

如果你给它您的最佳的射击，但还是无法找到答案，张贴＃2的问题。你会很快得到答案，并帮助其他人寻找相同的东西。