pd.to_datetime方法將字串轉為datetime型

  pd.to_datetime(arg ， errors=“raise” ， dayfirst=False ， yearfirst=False ， utc=None ， box=True ， format=None ， exact=True ， unit=None ， infer_datetime_format=False ， origin=“unix” ， cache=False)

arg ：指定轉換的資料物件，可以是整型、浮點型、字串、列表、元組、一維陣列、 Serise 、 DataFrame 和字典

errors ：設定出錯提示方式，可選 {"ignore","raise","coercec"} ，預設值為 "raise" ，如果轉換失敗，則給出出錯提示資訊； "ignore" 則不出發出錯提示資訊； "coercec" 在轉換過程存在無效時間值時，自動轉為 NaT 值

dayfirst ：指定 arg 引數轉換時的順序，設定為 True 時，則先轉換日期，再轉換時間，預設值為 False

yearfirst ：值為 True 時則先轉換日期，預設值為 False

utc ：值為 True 返回 UTC DatetimeIndex ，預設值為 None

box ：預設值為 True 返回 DatetimeIndex 或相關索引物件；值為 False 則返回多維陣列

format ：字串，跟單網預設值為 None ，指定字串時間轉化為時間時的 strftime 的格式，類似 strftime 方法轉化為時間的使用方法

exact ：預設值為 True 表示精確匹配格式，值為 False 則允許匹配目標字串中的任何位置

unit ：字串，預設值為 "ns" ，對轉換物件指定時間單位（ D 天、 s 秒、 ma 毫秒、 ns 納秒）

infer_datetime_format ：預設值為 False ，如果為 True ，且沒有給出轉換固定格式（ format 引數），且字串日期時間格式確定，則可以提高轉換速度

origin ：確定日期的開始點，預設值為 "unix" ，則日期的開始點為 1970-01-01 ，若提供值為 Timestamp 日期，則以 Timestamp 的起點日期作為開始點日期

cache ：預設值為 False ，如果為 True ，則是用唯一的轉換日期快取來應用日期時間轉換，解析重複的日期字串時可以提高轉換速度

import  pandas as pdfrom datetime import datetime

filename = r"D:\data_test.xlsx"

df = pd.read_excel(filename)

print(df.head())print("="*30)print(df.info())

  name gender   birthday start_work  income          tel            email  \

0    趙一      男   1989/8/10 2012-09-08   15000  13611011234    zhaoyi@qq.com   

1    王二      男   1990/10/2 2014-03-06   12500  13500012234   wanger@163.com   

2    張三      女   1987/3/12 2009-01-08   18500  13515273330  zhangsan@qq.com   

3    李四      女   1991/8/16 2014-06-04   13000  13923673388   lisi@gmail.com   

4    劉五      女   1992/5/24 2014-08-10    8500  17823117890     liuwu@qq.com   

                   other  

0  { 教育：本科，專業：電子商務，愛好：運動 }  

1      { 教育：大專，專業：汽修，愛好： }  

2   { 教育：本科，專業：數學，愛好：打籃球 }  

3   { 教育：碩士，專業：統計學，愛好：唱歌 }  

4      { 教育：本科，專業：美術，愛好： }  

==============================

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 8 entries, 0 to 7

Data columns (total 8 columns):

 #   Column      Non-Null Count  Dtype         

---  ------      --------------  -----         

 0   name        8 non-null      object        

 1   gender      8 non-null      object        

 2   birthday    8 non-null      object        

 3   start_work  8 non-null      datetime64[ns]

 4   income      8 non-null      int64         

 5   tel         8 non-null      int64         

 6   email       8 non-null      object        

 7   other       8 non-null      object        

dtypes: datetime64[ns](1), int64(2), object(5)

memory usage: 640.0+ bytes

None

df.birthday=pd.to_datetime(df.birthday,format="%Y-%m-%d")

df.info()

1

2

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 8 entries, 0 to 7

Data columns (total 8 columns):

 #   Column      Non-Null Count  Dtype         

---  ------      --------------  -----         

 0   name        8 non-null      object        

 1   gender      8 non-null      object        

 2   birthday    8 non-null      datetime64[ns]

 3   start_work  8 non-null      datetime64[ns]

 4   income      8 non-null      int64         

 5   tel         8 non-null      int64         

 6   email       8 non-null      object        

 7   other       8 non-null      object        

dtypes: datetime64[ns](2), int64(2), object(4)

memory usage: 640.0+ bytes

data = pd.DataFrame({" 客戶 ":[" 李 "," 張 "," 劉 "," 宋 "]," 工資 ":[3500,2500,1500,500]," 日期 ":["2020-11-19","2020-11-20","2020-12-19","2020-12-20"]},index = ["A","B","C","D"])print(data.info)

<bound method DataFrame.info of    客戶    工資          日期

A   李   3500  2020-11-19

B   張   2500  2020-11-20

C   劉   1500  2020-12-19

D   宋    500  2020-12-20>