使用pandas.to_datetime时，只保留日期部分

小开

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)])

小开

从版本0.15.0开始，现在可以很容易地使用.dt来访问date组件:

df['just_date'] = df['dates'].dt.date

上面返回一个datetime.date dtype，如果你想有一个datetime64，那么你可以normalize时间组件到午夜，所以它将所有值设置为00:00:00:

df['normalised_date'] = df['dates'].dt.normalize()

这将dtype保留为datetime64，但显示只显示date值。

小开

熊猫DatetimeIndex和Series有一个叫做normalize的方法，它做的正是你想要的。

你可以在这个答案中阅读更多关于它的信息。

它可以用作ser.dt.normalize()

小开

虽然我给EdChum的答案投票，这是对OP提出的问题最直接的答案，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向量化——也就是说，它会很慢)。

性能更好的替代方案是使用df['dates'].dt.floor('d')。严格地说，它不“只保留日期部分”，因为它只是将时间设置为00:00:00。但它确实按照OP的要求工作，例如:

印刷到丝网
保存到CSV
使用列groupby

．.．而且效率更高，因为运算是向量化的。

编辑:实际上，OP更喜欢的答案可能是“最近版本的pandas做不写时间到csv，如果它是00:00:00的所有观察”。

小开

这是一个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)

小开

Pandas v0.13+:使用带有`date_format`参数的`to_csv`

尽可能避免将你的datetime64[ns]系列转换为datetime.date对象的object dtype系列。后者通常使用pd.Series.dt.date构造，存储为指针数组，相对于纯基于numpy的序列效率较低。

由于您关心的是格式时写入CSV，只需使用to_csv的date_format参数。例如:

df.to_csv(filename, date_format='%Y-%m-%d')

格式约定参见Python的strftime指令。

小开

简单的解决方案:

df['date_only'] = df['date_time_column'].dt.date

小开

只是给一个最新的答案，以防有人看到这篇旧帖子。

在转换为datetime时添加"utc=False"将删除时区组件，并仅保留datetime64[ns]数据类型的日期。

pd.to_datetime(df['Date'], utc=False)

你将能够在excel中保存它而不会得到错误“ValueError: excel不支持带时区的日期时间。在写入Excel之前，请确保日期时间不受时区影响。”

小开

我希望能够更改数据帧中一组列的类型，然后删除保持日期的时间。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'))

小开

这在UTC时间戳上为我工作(2020-08-19T09:12:57.945888)

for di, i in enumerate(df['YourColumnName']):
df['YourColumnName'][di] = pd.Timestamp(i)

小开

在1000000行的表上，我发现这两个都很快，floor稍微快一点:

df['mydate'] = df.index.floor('d')

或

df['mydate'] = df.index.normalize()

如果你的索引有时区，而你不想在结果中显示这些时区，请执行以下操作:

df['mydate'] = df.index.tz_localize(None).floor('d')

df.index.date要慢很多倍;to_datetime()更糟糕。两者都有进一步的缺点，结果不能保存到hdf存储，因为它不支持datetime.date类型。

注意，这里我使用索引作为日期源;如果您的源是另一列，则需要添加.dt，例如df.mycol.dt.floor('d')

小开

df['Column'] = df['Column'].dt.strftime('%m/%d/%Y')

这将给你的只是日期，没有时间在你想要的格式。它会将列的数据类型更改为'object'。

如果你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

数据类型为'object'。

对于'datetime64'数据类型，使用:

df['Column'] = pd.to_datetime(df['Column']).dt.normalize()

使用pandas.to_datetime时，只保留日期部分

Pandas v0.13+:使用带有date_format参数的to_csv

Pandas v0.13+:使用带有`date_format`参数的`to_csv`