我有一个包含 13 列和 55,000 行的数据框，我正在尝试将其中的 5 行转换为日期时间，现在它们返回类型“对象”，我需要转换这些数据以进行机器学习我知道如果我做
data['birth_date'] = pd.to_datetime(data[birth_date], errors ='coerce')
它将返回一个日期时间列，但我也想为其他 4 个列执行此操作，我可以写一行来调用所有列吗？我不认为我可以像
data[:,7:12]
谢谢！
【问题讨论】：
read_csv 有一个parse_dates 参数，它可以列出你想要的所有列喜欢在第一次导入数据时进行转换。
您可以使用apply 使用pd.to_datetime 遍历每一列
data.iloc[:, 7:12] = data.iloc[:, 7:12].apply(pd.to_datetime, errors='coerce')
作为the changes in pandas 1.3.0 的一部分，iloc/loc 将不再更新分配时的列 dtype。直接使用列标签：
cols = data.columns[7:12]
data[cols] = data[cols].apply(pd.to_datetime, errors='coerce')
【讨论】：
map 和 apply 都可以接受函数，这就是为什么这会让像你这样的用户感到困惑。我只使用map 用字典/系列进行“文字映射”。我只将apply 用于函数。 apply 也有一些额外的功能。
errors='coerce'，无效日期被分配给NaT - here 的第二个示例显示了这一点。如果使用ignore 而不是coerce，它将忽略它是无效规范这一事实，并仅返回（可能）无效/不正确的日期。
read_csv()
添加到@smishra 答案。导入 .csv 时，您可以使用 infer-datetime-format 推断日期，如 here 所述。这只能在系列具有一致的日期格式但会加快日期的导入时使用。
read_excel()
还有read_excel() 函数可用于导入和处理日期。您可以向parse_dates 参数传递列名称或编号的列表。
parse_dates = [7,8,9,10,11]
data = pd.read_excel('file_to_read.csv', sheet_name='Sheet1', parse_dates=parse_dates)
【讨论】：
与接受的答案略有不同， loc 也可以：
dx.loc[:,['birth_date','death_date']] = dx.loc[:,['birth_date','death_date']].apply(pd.to_datetime, errors='coerce')
【讨论】：
data.iloc[:, 7:12]=data.iloc[:, 7:12].astype('datetime64[ns]')
【讨论】：
如果你想在加载时进行转换，你可以这样做
date_columns = ['c1','c2', 'c3', 'c4', 'c5']
data = pd.read_csv('file_to_read.csv', parse_dates=date_columns)
【讨论】：
my_df[['column1','column2']] =
my_df[['column1','column2']].apply(pd.to_datetime, format='%Y-%m-%d %H:%M:%S.%f')
注意：当然可以根据需要更改格式。
【讨论】：
= 左侧仅覆盖选定的列； my_df 中的其余列将保持不变。您可以使用my_df[['new_1','new_2']] = my_df[['column1','column2']].apply(...) 分别分配给新列。
首先您需要从data 中提取您感兴趣的所有列，然后您可以使用pandas applymap 将to_datetime 应用于提取帧中的每个元素，我假设您知道您想要的列的索引提取，在下面的代码中提取第三到第十六列的列名。您也可以定义一个列表并将列的名称添加到其中并使用它，您可能还需要传递 DateTime 条目的日期/时间格式
import pandas as pd
cols_2_extract = data.columns[2:15]
data[cols_2_extract] = data[cols_2_extract].applymap(lambda x : pd.to_datetime(x, format = '%d %M %Y'))
【讨论】：
如果性能是一个问题，我建议使用以下函数将这些列转换为 date_time：
def lookup(s):
"""
This is an extremely fast approach to datetime parsing.
For large data, the same dates are often repeated. Rather than
re-parse these, we store all unique dates, parse them, and
use a lookup to convert all dates.
"""
dates = {date:pd.to_datetime(date) for date in s.unique()}
return s.apply(lambda v: dates[v])
to_datetime: 5799 ms
dateutil: 5162 ms
strptime: 1651 ms
manual: 242 ms
lookup: 32 ms
来源： https://github.com/sanand0/benchmarks/tree/master/date-parse
【讨论】：