我使用pandas.to_datetime 解析数据中的日期。 Pandas 默认使用datetime64[ns] 表示日期，即使这些日期都是每天的。
我想知道是否有一种优雅/聪明的方法可以将日期转换为datetime.date 或datetime64[D]，这样，当我将数据写入 CSV 时，日期不会附加00:00:00。我知道我可以逐个元素地手动转换类型：
[dt.to_datetime().date() for dt in df.dates]
但这真的很慢，因为我有很多行，这有点违背使用pandas.to_datetime 的目的。有没有办法一次转换整列的dtype？或者，pandas.to_datetime 是否支持精度规范，以便我可以在处理日常数据时摆脱时间部分？
【问题讨论】：
标签： python pandas csv datetime series
【讨论】：
简单的解决方案：
df['date_only'] = df['date_time_column'].dt.date
【讨论】：
虽然我赞成 EdChum 的回答，这是对 OP 提出的问题的最直接回答，但它并没有真正解决性能问题（它仍然依赖于 python datetime 对象，因此对它们的任何操作都不会矢量化 - 也就是说，它会很慢）。
A better performing alternative 是使用df['dates'].dt.floor('d')。严格来说，它不是“只保留日期部分”，因为它只是将时间设置为00:00:00。但它确实可以按照 OP 的要求工作，例如：
groupby
...而且效率更高，因为操作是矢量化的。
编辑： 事实上，OP 更喜欢的答案可能是“pandas 的最新版本不如果是 @987654327 则将时间写入 csv @ 表示所有观察结果”。
【讨论】：
to_json 仍然写完整的00:00:00。
date_format='iso' 时的意思吗？！默认情况下，它只输出自纪元以来的秒数。
dt.normalize() 在超过几百个元素的系列上更快。
normalize 只是稍微慢一点。此外，保持日期 pandas-native 意味着它可以保存到 hdf 存储（datetime.date 列不能从 pandas 1.1.4 开始）。
to_csv 和 date_format 参数尽可能避免将datetime64[ns] 系列转换为object dtype 系列datetime.date 对象。后者通常使用pd.Series.dt.date 构建，存储为指针数组，相对于纯基于 NumPy 的系列效率低。
由于您关心的是写入 CSV 时的格式，因此只需使用 to_csv 的 date_format 参数即可。例如：
df.to_csv(filename, date_format='%Y-%m-%d')
有关格式约定，请参阅Python's strftime directives。
【讨论】：
Pandas DatetimeIndex 和 Series 有一个名为 normalize 的方法，可以完全满足您的需求。
您可以在this answer 阅读更多相关信息。
可以用作ser.dt.normalize()
【讨论】：
这是提取日期的简单方法：
import pandas as pd
d='2015-01-08 22:44:09'
date=pd.to_datetime(d).date()
print(date)
【讨论】：
转换为datetime64[D]:
df.dates.values.astype('M8[D]')
虽然将其重新分配给 DataFrame col 会将其恢复为 [ns]。
如果你想要实际的datetime.date：
dt = pd.DatetimeIndex(df.dates)
dates = np.array([datetime.date(*date_tuple) for date_tuple in zip(dt.year, dt.month, dt.day)])
【讨论】：
dt 的人，此答案片段将覆盖该模块！ @Dale-Jung，也许可以把这条线改成 dt_index
df.loc[date] 方法添加新行时，索引会恢复为时间戳，这意味着后续比较不再有效
我希望能够更改数据框中一组列的类型，然后删除保持一天的时间。 round(), floor(), ceil()所有工作
df[date_columns] = df[date_columns].apply(pd.to_datetime)
df[date_columns] = df[date_columns].apply(lambda t: t.dt.floor('d'))
【讨论】：
df['Column'] = df['Column'].dt.strftime('%m/%d/%Y')
这将为您提供所需格式的日期和 NO TIME。您可以根据需要更改格式'%m/%d/%Y'，它将将该列的数据类型更改为'object'。
如果您只想要日期而不想要YYYY-MM-DD 格式的时间，请使用：
df['Column'] = pd.to_datetime(df['Column']).dt.date
数据类型将为'object'。
对于'datetime64' 数据类型，使用：
df['Column'] = pd.to_datetime(df['Column']).dt.normalize()
【讨论】：
在 >1000000 行的表上，我发现它们都很快，floor 稍微快一点：
df['mydate'] = df.index.floor('d')
或
df['mydate'] = df.index.normalize()
如果您的索引有时区，而您不希望结果中出现这些时区，请执行以下操作：
df['mydate'] = df.index.tz_localize(None).floor('d')
df.index.date 慢很多倍； to_datetime() 更糟。两者都有进一步的缺点，即结果无法保存到 hdf 存储，因为它不支持类型 datetime.date。
请注意，我在这里使用索引作为日期源；如果您的来源是另一列，则需要添加.dt，例如df.mycol.dt.floor('d')
【讨论】：
这对我来说适用于 UTC 时间戳 (2020-08-19T09:12:57.945888)
for di, i in enumerate(df['YourColumnName']):
df['YourColumnName'][di] = pd.Timestamp(i)
【讨论】：