Pandas Date et heure
Pandas offre de puissantes capacités de traitement des dates et heures, ce qui facilite la conversion de chaînes en types de date et l'exécution de divers calculs et analyses liés aux dates.
Création de dates et d'heures
Fonction date_range
Exemple
import pandas as pd
# Créer une plage de dates
dates = pd.date_range("2024-01-01", periods=10, freq="D")
print("Par jour :")
print(dates)
print()
# Par mois
dates_month = pd.date_range("2024-01-01", periods=12, freq="M")
print("Par mois :")
print(dates_month)
print()
# Par heure
dates_hour = pd.date_range("2024-01-01 00:00", periods=24, freq="H")
print("Par heure (5 premières) :")
print(dates_hour[:5])
# Créer une plage de dates
dates = pd.date_range("2024-01-01", periods=10, freq="D")
print("Par jour :")
print(dates)
print()
# Par mois
dates_month = pd.date_range("2024-01-01", periods=12, freq="M")
print("Par mois :")
print(dates_month)
print()
# Par heure
dates_hour = pd.date_range("2024-01-01 00:00", periods=24, freq="H")
print("Par heure (5 premières) :")
print(dates_hour[:5])
DatetimeIndex et DatetimeArray
Exemple
import pandas as pd
import numpy as np
# Créer à l'aide d'un objet datetime
dt = pd.DatetimeIndex([
pd.Timestamp("2024-01-01"),
pd.Timestamp("2024-01-02"),
pd.Timestamp("2024-01-03")
])
print("DatetimeIndex：")
print(dt)
print()
# Créer une Series avec le temps
s = pd.Series(
[100, 200, 300],
index=pd.date_range("2024-01-01", periods=3, freq="D")
)
print("Series avec index de dates :")
print(s)
import numpy as np
# Créer à l'aide d'un objet datetime
dt = pd.DatetimeIndex([
pd.Timestamp("2024-01-01"),
pd.Timestamp("2024-01-02"),
pd.Timestamp("2024-01-03")
])
print("DatetimeIndex：")
print(dt)
print()
# Créer une Series avec le temps
s = pd.Series(
[100, 200, 300],
index=pd.date_range("2024-01-01", periods=3, freq="D")
)
print("Series avec index de dates :")
print(s)
Conversion de chaînes de caractères en dates
pd.to_datetime
Exemple
import pandas as pd
# Convertir des chaînes de caractères de divers formats en dates
dates_str = ["2024-01-01", "2024/01/02", "01-03-2024", "20240104"]
# Déduire automatiquement le format
dt = pd.to_datetime(dates_str)
print("Format déduit automatiquement :")
print(dt)
print()
# Spécifier le format
dt2 = pd.to_datetime(dates_str, format="%Y-%m-%d")
print("Format spécifié :")
print(dt2)
print()
# Gérer les valeurs invalides
dt3 = pd.to_datetime(["2024-01-01", "invalid", "2024-01-03"], errors="coerce")
print("Gérer les valeurs invalides (converties en NaT) :")
print(dt3)
# Convertir des chaînes de caractères de divers formats en dates
dates_str = ["2024-01-01", "2024/01/02", "01-03-2024", "20240104"]
# Déduire automatiquement le format
dt = pd.to_datetime(dates_str)
print("Format déduit automatiquement :")
print(dt)
print()
# Spécifier le format
dt2 = pd.to_datetime(dates_str, format="%Y-%m-%d")
print("Format spécifié :")
print(dt2)
print()
# Gérer les valeurs invalides
dt3 = pd.to_datetime(["2024-01-01", "invalid", "2024-01-03"], errors="coerce")
print("Gérer les valeurs invalides (converties en NaT) :")
print(dt3)
read_csv Analyse automatique des dates
Exemple
import pandas as pd
from io import StringIO
# Simuler des données CSV
csv_data = """Date,Sales
2024-01-01,100
2024-01-02,200
2024-01-03,150
"""
# Méthode 1 : convertir après lecture
df = pd.read_csv(StringIO(csv_data))
df["Date"] = pd.to_datetime(df["Date"])
print("Après lecture, convertir :")
print(df.dtypes)
print()
# Méthode 2 : analyser directement lors de la lecture
df2 = pd.read_csv(StringIO(csv_data), parse_dates=["Date"])
print("Analyser lors de la lecture :")
print(df2.dtypes)
from io import StringIO
# Simuler des données CSV
csv_data = """Date,Sales
2024-01-01,100
2024-01-02,200
2024-01-03,150
"""
# Méthode 1 : convertir après lecture
df = pd.read_csv(StringIO(csv_data))
df["Date"] = pd.to_datetime(df["Date"])
print("Après lecture, convertir :")
print(df.dtypes)
print()
# Méthode 2 : analyser directement lors de la lecture
df2 = pd.read_csv(StringIO(csv_data), parse_dates=["Date"])
print("Analyser lors de la lecture :")
print(df2.dtypes)
Accès aux attributs de date
Après avoir converti la date et l'heure en type datetime, vous pouvez facilement extraire divers attributs.
Exemple
import pandas as pd
# Créer une Series de dates
s = pd.Series(pd.date_range("2024-01-15", periods=5, freq="D"))
print("Série de dates :")
print(s)
print()
# Extraire l'année/le mois/le jour
print("Extraire l'année :")
print(s.dt.year)
print()
print("Extraire le mois :")
print(s.dt.month)
print()
print("Extraire le jour :")
print(s.dt.day)
print()
# Extraire le jour de la semaine (0=lundi, 6=dimanche)
print("Jour de la semaine (numéro) :")
print(s.dt.dayofweek)
print()
# Extraire le nom du jour de la semaine
print("Nom du jour de la semaine :")
print(s.dt.day_name())
# Créer une Series de dates
s = pd.Series(pd.date_range("2024-01-15", periods=5, freq="D"))
print("Série de dates :")
print(s)
print()
# Extraire l'année/le mois/le jour
print("Extraire l'année :")
print(s.dt.year)
print()
print("Extraire le mois :")
print(s.dt.month)
print()
print("Extraire le jour :")
print(s.dt.day)
print()
# Extraire le jour de la semaine (0=lundi, 6=dimanche)
print("Jour de la semaine (numéro) :")
print(s.dt.dayofweek)
print()
# Extraire le nom du jour de la semaine
print("Nom du jour de la semaine :")
print(s.dt.day_name())
Plus d'attributs de date
| Attribut | Description | Exemple |
|---|---|---|
year |
année | 2024 |
month |
Mois (1-12) | 1 |
day |
Jour (1-31) | 15 |
hour |
Heure (0-23) | 10 |
minute |
Minute (0-59) | 30 |
dayofweek |
Jour de la semaine (0-6) | 0 |
quarter |
Trimestre (1-4) | 1 |
is_month_start |
Est le début du mois | Vrai/Faux |
is_month_end |
Est la fin du mois | Vrai/Faux |
Opérations sur les dates
Addition et soustraction de dates
Exemple
import pandas as pd
# Créer une date
date = pd.Timestamp("2024-01-15")
print(f"Date de base : {date}")
print()
# Ajouter/soustraire des jours
print(f"+3 jours : {date + pd.Timedelta(days=3)}")
print(f"-5 jours : {date - pd.Timedelta(days=5)}")
print()
# Différence de dates
date1 = pd.Timestamp("2024-01-01")
date2 = pd.Timestamp("2024-01-15")
print(f"Différence de dates : {date2 - date1}")
print(f"Différence en jours : {(date2 - date1).days}")
print()
# Opérations sur les séries de dates
dates = pd.date_range("2024-01-01", periods=5, freq="D")
print("Date + 3 jours :")
print(dates + pd.Timedelta(days=3))
# Créer une date
date = pd.Timestamp("2024-01-15")
print(f"Date de base : {date}")
print()
# Ajouter/soustraire des jours
print(f"+3 jours : {date + pd.Timedelta(days=3)}")
print(f"-5 jours : {date - pd.Timedelta(days=5)}")
print()
# Différence de dates
date1 = pd.Timestamp("2024-01-01")
date2 = pd.Timestamp("2024-01-15")
print(f"Différence de dates : {date2 - date1}")
print(f"Différence en jours : {(date2 - date1).days}")
print()
# Opérations sur les séries de dates
dates = pd.date_range("2024-01-01", periods=5, freq="D")
print("Date + 3 jours :")
print(dates + pd.Timedelta(days=3))
Décalages de dates
Exemple
import pandas as pd
date = pd.Timestamp("2024-01-15")
print(f"Date de base : {date}")
print()
# Début/Fin de mois
print(f"Début du mois : {date + pd.offsets.MonthBegin(1)}")
print(f"Fin du mois : {date + pd.offsets.MonthEnd(1)}")
print()
# Décalage en années
print(f"Ajouter 1 an : {date + pd.DateOffset(years=1)}")
print(f"Soustraire 1 mois : {date + pd.DateOffset(months=-1)}")
print()
# Jour de la semaine
print(f"Lundi prochain : {date + pd.offsets.Week(weekday=0)}")
date = pd.Timestamp("2024-01-15")
print(f"Date de base : {date}")
print()
# Début/Fin de mois
print(f"Début du mois : {date + pd.offsets.MonthBegin(1)}")
print(f"Fin du mois : {date + pd.offsets.MonthEnd(1)}")
print()
# Décalage en années
print(f"Ajouter 1 an : {date + pd.DateOffset(years=1)}")
print(f"Soustraire 1 mois : {date + pd.DateOffset(months=-1)}")
print()
# Jour de la semaine
print(f"Lundi prochain : {date + pd.offsets.Week(weekday=0)}")
Gestion des fuseaux horaires
Exemple
import pandas as pd
# Créer une date/heure sans fuseau horaire
dates = pd.date_range("2024-01-01 10:00", periods=3, freq="H")
print("Sans fuseau horaire :")
print(dates)
print()
# Définir le fuseau horaire
dates_utc = dates.tz_localize("UTC")
print("Définir le fuseau horaire UTC :")
print(dates_utc)
print()
# Convertir le fuseau horaire
dates_shanghai = dates_utc.tz_convert("Asia/Shanghai")
print("Convertir au fuseau horaire de Shanghai :")
print(dates_shanghai)
# Créer une date/heure sans fuseau horaire
dates = pd.date_range("2024-01-01 10:00", periods=3, freq="H")
print("Sans fuseau horaire :")
print(dates)
print()
# Définir le fuseau horaire
dates_utc = dates.tz_localize("UTC")
print("Définir le fuseau horaire UTC :")
print(dates_utc)
print()
# Convertir le fuseau horaire
dates_shanghai = dates_utc.tz_convert("Asia/Shanghai")
print("Convertir au fuseau horaire de Shanghai :")
print(dates_shanghai)
Exercice : Analyse des données de ventes
Exemple
import pandas as pd
# Simuler des données de ventes
df = pd.DataFrame({
"Date": pd.date_range("2024-01-01", periods=30, freq="D"),
"Ventes": [100, 150, 120, 180, 200, 90, 80] * 4 + [100, 100]
})
df["Date"] = pd.to_datetime(df["Date"])
print("Données de ventes :")
print(df.head(10))
print()
# Statistiques par jour de la semaine
print("Ventes moyennes par jour de la semaine :")
weekday_sales = df.groupby(df["Date"].dt.day_name())["Sales"].mean()
print(weekday_sales)
print()
# Statistiques par mois
print("Par mois :")
df["Month"] = df["Date"].dt.to_period("M")
monthly_sales = df.groupby("Month")["Sales"].sum()
print(monthly_sales)
print()
# Calculer la moyenne mobile sur 7 jours
df["7-day rolling average"] = df["Sales"].rolling(window=7).mean()
print("Ajouter la moyenne mobile sur 7 jours :")
print(df.head(10))
# Simuler des données de ventes
df = pd.DataFrame({
"Date": pd.date_range("2024-01-01", periods=30, freq="D"),
"Ventes": [100, 150, 120, 180, 200, 90, 80] * 4 + [100, 100]
})
df["Date"] = pd.to_datetime(df["Date"])
print("Données de ventes :")
print(df.head(10))
print()
# Statistiques par jour de la semaine
print("Ventes moyennes par jour de la semaine :")
weekday_sales = df.groupby(df["Date"].dt.day_name())["Sales"].mean()
print(weekday_sales)
print()
# Statistiques par mois
print("Par mois :")
df["Month"] = df["Date"].dt.to_period("M")
monthly_sales = df.groupby("Month")["Sales"].sum()
print(monthly_sales)
print()
# Calculer la moyenne mobile sur 7 jours
df["7-day rolling average"] = df["Sales"].rolling(window=7).mean()
print("Ajouter la moyenne mobile sur 7 jours :")
print(df.head(10))
FAQ
1. Formats de date incohérents
Lors de l'utilisationpd.to_datetimevous pouvez spécifierformatle paramètre pour préciser le format, en évitant les erreurs d'analyse.
2. Confusion des fuseaux horaires
Lors du traitement de données à travers plusieurs fuseaux horaires, assurez-vous que toutes les heures utilisent un fuseau horaire unifié ou l'heure UTC.
3. Les opérations sur les dates utilisent Timedelta
L'addition et la soustraction de dates utilisentpd.Timedelta, plutôt qu'une simple addition et soustraction d'entiers.
Autres extensionsLors du traitement de données de séries temporelles, il est recommandé de convertir les chaînes de date en type datetime dès que possible afin de tirer parti des puissantes fonctionnalités de date de Pandas.