我有一个datetime 格式的系列，需要将每个条目的日期更改为1。我想了很多简单的解决方案，但没有一个对我有用。目前，唯一真正有效的是
不可能真的那么复杂，不是吗？有一个月的开始，但不幸的是offset，这在这里没用。该方法似乎没有 set() 函数，而当系列是一列而不是索引本身的（部分）时，功能甚至更少。
唯一相关的问题是this，但那里使用的技巧在这里不适用。
【问题讨论】：
你可以使用.apply和datetime.replace，例如：
import pandas as pd
from datetime import datetime
ps = pd.Series([datetime(2014, 1, 7), datetime(2014, 3, 13), datetime(2014, 6, 12)])
new = ps.apply(lambda dt: dt.replace(day=1))
给予：
0 2014-01-01
1 2014-03-01
2 2014-06-01
dtype: datetime64[ns]
【讨论】：
另一个答案有效，但任何时候使用apply，都会使代码变慢很多。通过为系列编写快速矢量化日期时间替换，我能够获得 8.5 倍的加速。
def vec_dt_replace(series, year=None, month=None, day=None):
return pd.to_datetime(
{'year': series.dt.year if year is None else year,
'month': series.dt.month if month is None else month,
'day': series.dt.day if day is None else day})
申请：
%timeit dtseries.apply(lambda dt: dt.replace(day=1))
# 4.17 s ± 38.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
矢量化：
%timeit vec_dt_replace(dtseries, day=1)
# 491 ms ± 6.48 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
请注意，尝试将日期更改为不存在的日期可能会遇到错误，例如尝试将 2012-02-29 更改为 2013-02-29。使用pd.to_datetime 的errors 参数忽略或强制它们。
数据生成：生成具有 100 万个随机日期的系列：
import pandas as pd
import numpy as np
# Generate random dates. Modified from: https://stackoverflow.com/a/50668285
def pp(start, end, n):
start_u = start.value // 10 ** 9
end_u = end.value // 10 ** 9
return pd.Series(
(10 ** 9 * np.random.randint(start_u, end_u, n)).view('M8[ns]'))
start = pd.to_datetime('2015-01-01')
end = pd.to_datetime('2018-01-01')
dtseries = pp(start, end, 1000000)
# Remove time component
dtseries = dtseries.dt.normalize()
【讨论】：
其他两个答案有效，但既不优雅也不符合pandas 库的精神。相反，请考虑这一点，在我的测试中它也比凯尔巴伦的矢量化答案稍微快一点。它是一种不需要定义任何外部函数、被矢量化并保持在pandas 生态系统中的单线：
import pandas as pd
dtseries.dt.to_period('M').dt.to_timestamp()
此方法具有支持许多其他频率的额外好处，例如每周 ('W') 或工作日 ('B')，使用上述矢量化方法实施起来会更棘手。
您可以找到其他各种频率的缩写in the relevant doc page。
这当然假设dtseries 是一个日期时间序列，如果不是，您可以使用pd.to_datetime(my_series) 轻松转换它。
此解决方案还允许在使用各种偏移方面具有很大的灵活性。例如，使用月份的第十天：
from pandas.tseries.offsets import DateOffset
dtseries.dt.to_period('M').dt.to_timestamp() + DateOffset(days=10)
我建议您查看doc for pandas offsets。偏移量 pandas 提供了许多相当复杂的偏移量支持，例如工作日、节假日、营业时间等......正如@KyleBarron 和@JonClements 的答案所建议的那样，手动实现这些将非常麻烦。例如，考虑这个例子，获取从月初开始偏移 5 个工作日的日期：
from pandas.tseries.offsets import BusinessDay
dtseries.dt.to_period('M').dt.to_timestamp() + BusinessDay(n=5)
【讨论】：