今天，当我从数据文件（例如）读取数据时，pandas 能够识别值的类型，这让我感到非常惊讶：
df = pandas.read_csv('test.dat', delimiter=r"\s+", names=['col1','col2','col3'])
例如可以这样检查：
for i, r in df.iterrows():
print type(r['col1']), type(r['col2']), type(r['col3'])
特别是整数、浮点数和字符串被正确识别。但是，我有一列具有以下格式的日期：2013-6-4. 这些日期被识别为字符串（而不是 python 日期对象）。有没有办法“学习”熊猫来识别日期？
您应该添加parse_dates=True，或者parse_dates=['column name']在阅读时，通常足以神奇地解析它。但是总是有一些奇怪的格式需要手动定义。在这种情况下，您还可以添加日期解析器功能，这是可能的最灵活的方式。
假设您的字符串中有一个“日期时间”列，那么：
from datetime import datetime
dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')
df = pd.read_csv(infile, parse_dates=['datetime'], date_parser=dateparse)
通过这种方式，您甚至可以将多个列合并到一个日期时间列中，这会将一个“日期”和一个“时间”列合并到一个“日期时间”列中：
dateparse = lambda x: datetime.strptime(x, '%Y-%m-%d %H:%M:%S')
df = pd.read_csv(infile, parse_dates={'datetime': ['date', 'time']}, date_parser=dateparse)
您可以在此页面strptime中找到和的指令（即用于不同格式的字母）。strftime
自@Rutger 回答以来，pandas 界面可能发生了变化，但在我使用的版本（0.15.2）中，该date_parser函数接收日期列表而不是单个值。在这种情况下，他的代码应该像这样更新：
from datetime import datetime
import pandas as pd
dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d %H:%M:%S') for d in dates]
df = pd.read_csv('test.dat', parse_dates=['datetime'], date_parser=dateparse)
由于最初的问题提问者说他想要日期并且日期是2013-6-4格式的，所以dateparse函数应该是：
dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d').date() for d in dates]
您可以pandas.to_datetime()按照文档中的建议使用pandas.read_csv()：
如果列或索引包含不可解析的日期，则整个列或索引将作为对象数据类型原封不动地返回。对于非标准日期时间解析，使用
pd.to_datetimeafterpd.read_csv。
演示：
>>> D = {'date': '2013-6-4'}
>>> df = pd.DataFrame(D, index=[0])
>>> df
date
0 2013-6-4
>>> df.dtypes
date object
dtype: object
>>> df['date'] = pd.to_datetime(df.date, format='%Y-%m-%d')
>>> df
date
0 2013-06-04
>>> df.dtypes
date datetime64[ns]
dtype: object
将两列合并为一个日期时间列时，接受的答案会产生错误（pandas 版本 0.20.3），因为这些列是分别发送到 date_parser 函数的。
以下作品：
def dateparse(d,t):
dt = d + " " + t
return pd.datetime.strptime(dt, '%d/%m/%Y %H:%M:%S')
df = pd.read_csv(infile, parse_dates={'datetime': ['date', 'time']}, date_parser=dateparse)
pandas read_csv 方法非常适合解析日期。完整文档位于http://pandas.pydata.org/pandas-docs/stable/generated/pandas.io.parsers.read_csv.html
您甚至可以在不同的列中有不同的日期部分并传递参数：
parse_dates : boolean, list of ints or names, list of lists, or dict
If True -> try parsing the index. If [1, 2, 3] -> try parsing columns 1, 2, 3 each as a
separate date column. If [[1, 3]] -> combine columns 1 and 3 and parse as a single date
column. {‘foo’ : [1, 3]} -> parse columns 1, 3 as date and call result ‘foo’
日期的默认感知效果很好，但它似乎偏向于北美日期格式。如果您住在其他地方，您可能偶尔会被结果所吸引。据我所知，2000 年 1 月 6 日在美国是指 1 月 6 日，而不是我居住的 6 月 1 日。如果使用像 2000 年 6 月 23 日这样的日期，将它们左右摆动是足够聪明的。不过，使用 YYYYMMDD 日期变化可能更安全。在这里向 pandas 开发人员道歉，但我最近没有用本地日期对其进行测试。
您可以使用 date_parser 参数传递一个函数来转换您的格式。
date_parser : function
Function to use for converting a sequence of string columns to an array of datetime
instances. The default uses dateutil.parser.parser to do the conversion.
是的 - 根据pandas.read_csv 文档：
注意： iso8601 格式的日期存在快速路径。
因此，如果您的 csv 有一个名为的列datetime并且日期看起来像2013-01-01T01:01例如，运行它将使 pandas（我在 v0.19.2 上）自动获取日期和时间：
df = pd.read_csv('test.csv', parse_dates=['datetime'])
请注意，您需要显式传递parse_dates，没有它就无法工作。
验证：
df.dtypes
您应该看到该列的数据类型是datetime64[ns]
加载 csv 文件时包含日期列。我们有两种方法可以让熊猫识别日期列，即
Pandas 通过 arg 显式识别格式date_parser=mydateparser
Pandas 通过 agr 隐式识别格式infer_datetime_format=True
部分日期列数据
2018 年 1 月 1 日
2018 年 1 月 2 日
这里我们不知道前两件事可能是一个月或一天。所以在这种情况下，我们必须使用方法 1：- 显式传递格式
mydateparser = lambda x: pd.datetime.strptime(x, "%m/%d/%y")
df = pd.read_csv(file_name, parse_dates=['date_col_name'],
date_parser=mydateparser)
方法 2：- 隐式或自动识别格式
df = pd.read_csv(file_name, parse_dates=[date_col_name],infer_datetime_format=True)
除了其他回复所说的之外，如果您必须解析具有数十万个时间戳的非常大的文件，date_parser可能会成为一个巨大的性能瓶颈，因为它是一个每行调用一次的 Python 函数。通过在解析 CSV 文件时将日期保留为文本，然后一次性将整个列转换为日期，您可以获得相当大的性能改进：
# For a data column
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']})
df['mydatetime'] = pd.to_datetime(df['mydatetime'], exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a DateTimeIndex
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']}, index_col='mydatetime')
df.index = pd.to_datetime(df.index, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a MultiIndex
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']}, index_col=['mydatetime', 'num'])
idx_mydatetime = df.index.get_level_values(0)
idx_num = df.index.get_level_values(1)
idx_mydatetime = pd.to_datetime(idx_mydatetime, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
df.index = pd.MultiIndex.from_arrays([idx_mydatetime, idx_num])
对于我在具有 200k 行（每行一个时间戳）的文件上的用例，这将处理时间从大约一分钟减少到不到一秒。
如果性能对您很重要，请确保您的时间：
import sys
import timeit
import pandas as pd
print('Python %s on %s' % (sys.version, sys.platform))
print('Pandas version %s' % pd.__version__)
repeat = 3
numbers = 100
def time(statement, _setup=None):
print (min(
timeit.Timer(statement, setup=_setup or setup).repeat(
repeat, numbers)))
print("Format %m/%d/%y")
setup = """import pandas as pd
import io
data = io.StringIO('''\
ProductCode,Date
''' + '''\
x1,07/29/15
x2,07/29/15
x3,07/29/15
x4,07/30/15
x5,07/29/15
x6,07/29/15
x7,07/29/15
y7,08/05/15
x8,08/05/15
z3,08/05/15
''' * 100)"""
time('pd.read_csv(data); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"]); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
'infer_datetime_format=True); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
'date_parser=lambda x: pd.datetime.strptime(x, "%m/%d/%y")); data.seek(0)')
print("Format %Y-%m-%d %H:%M:%S")
setup = """import pandas as pd
import io
data = io.StringIO('''\
ProductCode,Date
''' + '''\
x1,2016-10-15 00:00:43
x2,2016-10-15 00:00:56
x3,2016-10-15 00:00:56
x4,2016-10-15 00:00:12
x5,2016-10-15 00:00:34
x6,2016-10-15 00:00:55
x7,2016-10-15 00:00:06
y7,2016-10-15 00:00:01
x8,2016-10-15 00:00:00
z3,2016-10-15 00:00:02
''' * 1000)"""
time('pd.read_csv(data); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"]); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
'infer_datetime_format=True); data.seek(0)')
time('pd.read_csv(data, parse_dates=["Date"],'
'date_parser=lambda x: pd.datetime.strptime(x, "%Y-%m-%d %H:%M:%S")); data.seek(0)')
印刷：
Python 3.7.1 (v3.7.1:260ec2c36a, Oct 20 2018, 03:13:28)
[Clang 6.0 (clang-600.0.57)] on darwin
Pandas version 0.23.4
Format %m/%d/%y
0.19123052499999993
8.20691274
8.143124389
1.2384357139999977
Format %Y-%m-%d %H:%M:%S
0.5238807110000039
0.9202787830000005
0.9832778819999959
12.002349824999996
因此，对于 iso8601 格式的日期（%Y-%m-%d %H:%M:%S显然是 iso8601 格式的日期，我猜 T可以被删除并用空格替换）你不应该指定（infer_datetime_format这显然与更常见的日期没有区别）并传递你自己的解析器只会削弱性能。另一方面，date_parser使用不那么标准的日期格式确实会有所不同。像往常一样，一定要在优化之前计时。
您可以将参数date_parser与用于将字符串列序列转换为日期时间实例数组的函数一起使用：
parser = lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M:%S')
pd.read_csv('path', date_parser=parser, parse_dates=['date_col1', 'date_col2'])
不，pandas 无法自动识别日期列。
Pandas 在类型推断方面做得很差。它基本上将大多数列作为通用object类型，除非您手动解决它，例如。使用上述parse_dates参数。
如果要自动检测列类型，则必须使用单独的数据分析工具，例如。visions，然后将推断的类型转换或反馈回您的DataFrame构造函数（例如，对于 dates 和from_csv，使用parse_dates参数）。