如何合并月份和年份列以获得单个 mm-yyyy 列？答案

【问题标题】：How to merge month and year columns to get single mm-yyyy column?如何合并月份和年份列以获得单个 mm-yyyy 列？
【发布时间】：2018-12-08 06:09:01
【问题描述】：

我有一个这样的 df：

Sr.  lwd_month lwd_year
1     3        2015
2     6        2018
3.    9        2017
4.    NaN      NaN
5.    5        2015

如何合并这两列以获得如下数据框？：

Sr.  lwd_month   lwd_Year   MonthYear
1     3          2015    03-2015
2     6          2018     06-2018
3.    9          2017     09-2017
4.    NaN        NaN      NaT
5.    5          2015     05-2015
6.    3          NaN      NaT

谢谢

【问题讨论】：

标签： python pandas datetime

【解决方案1】：

首先需要小写的列名year 和month 和pandas 版本0.18.1+。

然后使用to_datetime 将by multiple columns 与strftime 转换为字符串：

df['MonthYear']=pd.to_datetime(df.assign(day=1)[['year','month','day']]).dt.strftime('%m-%Y')
print (df)
   Sr.  month    year MonthYear
0  1.0    3.0  2015.0   03-2015
1  2.0    6.0  2018.0   06-2018
2  3.0    9.0  2017.0   09-2017
3  4.0    NaN     NaN       NaT
4  5.0    5.0  2015.0   05-2015

print (type(df.loc[0, 'MonthYear']))
<class 'str'>

类似的月份使用to_period:

df['MonthYear'] = pd.to_datetime(df.assign(day=1)[['year','month','day']]).dt.to_period('m')
print (df)
   Sr.  month    year MonthYear
0  1.0    3.0  2015.0   2015-03
1  2.0    6.0  2018.0   2018-06
2  3.0    9.0  2017.0   2017-09
3  4.0    NaN     NaN       NaT
4  5.0    5.0  2015.0   2015-05

print (type(df.loc[0, 'MonthYear']))
<class 'pandas._libs.tslibs.period.Period'>

【讨论】：

第一种和第二种方法给出错误to assemble mappings requires at least that [year, month, day] be specified: [month,year] is missing
我认为第三个不起作用，因为可能存在月份存在而年份为 NaN 的情况。
@AkshayNevrekar - 好的，试试df['MonthYear'] = pd.to_datetime(df.assign(Day=1)[['Year','Month','Day']].rename(columns=str.lower)).dt.strftime('%m-%Y')
我的实际列名与给出的问题不同。如果我没记错的话，我必须用我正在做的Year 和Month 替换它们。
谢谢。更改列名在这里有所帮助。

【解决方案2】：

为什么不只是这样：

df['MonthYear'] = pd.to_datetime(df[['Year', 'Month']].assign(Day=1)).dt.strftime('%m-%Y')
print(df)

输出：

   Sr.  Month    Year MonthYear
0  1.0    3.0  2015.0   03-2015
1  2.0    6.0  2018.0   06-2018
2  3.0    9.0  2017.0   09-2017
3  4.0    NaN     NaN       NaT
4  5.0    5.0  2015.0   05-2015

【讨论】：

@SreeramTP - 像我一样，所以同样的问题，我认为不是