问题描述
我有一个大型CSV文件,其中有数百列我想提取到SQL Server中。 我正在使用Pandas将其读取为数据帧,并通过pyodbc调用存储过程以写入数据。我已经使用较小的CSV多次进行了此操作。在这种情况下,我有几列代表日期时间值。问题在于,在同一列中,我可以有几行使用不同的格式作为日期:
'2020-07-08T09:00:01+00:00'
'2020-07-08T05:00:07Z'
'2020-07-08T06:40:23.000Z'
我可以用这个解析所有这些
from dateutil import parser
z1 = parser.isoparse(z)
其中z是这些字符串中的任何一个。这是我的困境。如果我只是将它们写为字符串,则对sql的调用喜欢格式为'2020-07-08T06:40:23.000Z',而对其他部分则不喜欢。所以我想用这种格式写。
所以我尝试
date_format = "%Y-%m-%dT%H:%M:%S.%fZ"
parser.isoparse(z).strftime(frm)
但是,该格式会写入字符串“ 2012-11-29T16:33:00.000000Z”,而不是“ 2012-11-29T16:33:00.000Z” 在最后一个句点和Z之间必须恰好有3个零。我尝试使用“%3f”,但strftime()不喜欢这样。我可以用自己的函数“修复它”以抽出多余的“ 0”,但这似乎很俗气。似乎应该有某种方法可以像我想要的那样直接将其写入(sql似乎期望的方式)。咒语是什么?
解决方法
看来,解析到datetime并不是这里的问题。 pd.to_datetime
对于这些格式(基本上使用dateutil.parser.parse)非常有效。要获得所需的3位数小数秒的格式,可以按照the docs中所述使用正则表达式搜索和替换。例如:
import pandas as pd
df = pd.DataFrame({'date0': ['2020-07-08T09:00:01+00:00'],'date1': ['2020-07-08T05:00:07Z'],'date2': ['2020-07-08T06:40:23.000Z']})
# parsing to datetime is no issue:
df = df.applymap(pd.to_datetime)
# now replace the ".ffffffZ" pattern with ".fffZ":
pat = '.[0-9]{6}UTC'
repl = lambda m: m.group(0)[:4] + 'Z'
# e.g. like
df['date0'].dt.strftime("%Y-%m-%dT%H:%M:%S.%f%Z").str.replace(pat,repl)
# 0 2020-07-08T09:00:01.000Z
# Name: date0,dtype: object
请注意,此会截断到毫秒。如果您想四舍五入,请先这样做,例如如here所述,频率别名为'L'
(另请参见here)。
如果您知道所有日期时间都采用UTC,则当然也可以简单地剪切字符串并添加'Z',
df['date0'].dt.strftime("%Y-%m-%dT%H:%M:%S.%f").str[:-3] + 'Z'
# 0 2020-07-08T09:00:01.000Z
# Name: date0,dtype: object
有趣的是,此方法似乎无法快速调用timeit
:
%timeit df['date0'].dt.strftime("%Y-%m-%dT%H:%M:%S.%f").str[:-3] + 'Z'
615 µs ± 38.5 µs per loop (mean ± std. dev. of 7 runs,1000 loops each)
%timeit df['date0'].dt.strftime("%Y-%m-%dT%H:%M:%S.%f%Z").str.replace(pat,repl)
468 µs ± 13.7 µs per loop (mean ± std. dev. of 7 runs,1000 loops each)