我pandas.to_datetime用来解析数据中的日期。Pandas 默认情况下表示日期，datetime64[ns]即使日期都是每天的。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，这有点违背了使用pandas.to_datetime. 有没有办法dtype一次转换整个列的？或者，是否pandas.to_datetime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？
简单的解决方案：
df['date_only'] = df['date_time_column'].dt.date
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 pythondatetime对象，因此对它们的任何操作都不会被矢量化——也就是说，它会很慢）。
性能更好的替代方法是使用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“如果它用于所有观察，pandas则不要将时间写入 csv 的最新版本”。00:00:00
to_csv与date_format参数一起使用尽可能避免将您的datetime64[ns]系列转换为objectdtype 系列datetime.date对象。后者通常使用 构造pd.Series.dt.date，存储为指针数组，相对于纯基于 NumPy 的系列而言效率低下。
由于您在写入 CSV 时关心的是格式，因此只需date_format使用to_csv. 例如：
df.to_csv(filename, date_format='%Y-%m-%d')
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)
如果有人看到这篇旧帖子，请提供更新的答案。
在转换为 datetime 时添加“utc=False”将删除时区组件并仅保留 datetime64[ns] 数据类型中的日期。
pd.to_datetime(df['Date'], utc=False)
您将能够将其保存在 excel 中而不会出现错误“ValueError：Excel 不支持带时区的日期时间。请确保在写入 Excel 之前日期时间是不知道时区的。”
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'它会将列的数据类型更改为'object'.
如果您只想要日期而不想要时间YYYY-MM-DD格式，请使用：
df['Column'] = pd.to_datetime(df['Column']).dt.date
数据类型将是'object'.
对于'datetime64'数据类型，使用：
df['Column'] = pd.to_datetime(df['Column']).dt.normalize()
转换为datetime64[D]：
df.dates.values.astype('M8[D]')
尽管将其重新分配给 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)])
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()全部工作
df[date_columns] = df[date_columns].apply(pd.to_datetime)
df[date_columns] = df[date_columns].apply(lambda t: t.dt.floor('d'))
在 >1000000 行的表上，我发现它们都很快，floor只是稍微快一点：
df['mydate'] = df.index.floor('d')
或者
df['mydate'] = df.index.normalize()
如果您的索引有时区并且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')
这在 UTC Timestamp (2020-08-19T09:12:57.945888) 上对我有用
for di, i in enumerate(df['YourColumnName']):
df['YourColumnName'][di] = pd.Timestamp(i)