Úprava importů: parsování dat

Streamlined Data Ingestion with pandas

Amany Mahfouz

Instructor

Data a časy

Data a časy mají vlastní datový typ a interní reprezentaci
Hodnoty datetime lze převést na řetězcové reprezentace
Společná sada kódů pro popis formátování řetězců datetime

pandas a Datetimes

Sloupce datetime jsou ve výchozím nastavení načteny jako objekty (řetězce)
Sloupce s datetimes specifikujte argumentem parse_dates (ne dtype!)
parse_dates přijímá:
- seznam názvů nebo čísel sloupců k parsování
- seznam obsahující seznamy sloupců ke sloučení a parsování
- slovník, kde klíče jsou nové názvy sloupců a hodnoty jsou seznamy sloupců ke společnému parsování

pandas a Datetimes

Tabulka se sloupci dat a časů v různých formátech

pandas a Datetimes

Tabulka s daty a časy, zvýrazněné sloupce ve standardním formátu

pandas a Datetimes

Tabulka s daty a časy, zvýrazněný sloupec pouze s datem a sloupec pouze s časem

pandas a Datetimes

Tabulka s daty a časy, zvýrazněný sloupec s neobvyklým formátem datetime

Parsování dat

# List columns of dates to parse
date_cols = ["Part1StartTime", "Part1EndTime"]


# Load file, parsing standard datetime columns
survey_df = pd.read_excel("fcc_survey.xlsx", 
                          parse_dates=date_cols)

Parsování dat

# Check data types of timestamp columns
print(survey_df[["Part1StartTime", 
                 "Part1EndTime", 
                 "Part2StartDate", 
                 "Part2StartTime", 
                 "Part2EndTime"]].dtypes)

Part1StartTime    datetime64[ns]
Part1EndTime      datetime64[ns]
Part2StartDate            object
Part2StartTime            object
Part2EndTime              object
dtype: object

Parsování dat

# List columns of dates to parse
date_cols = ["Part1StartTime", 
             "Part1EndTime",

             [["Part2StartDate", "Part2StartTime"]]]


# Load file, parsing standard and split datetime columns
survey_df = pd.read_excel("fcc_survey.xlsx", 
                          parse_dates=date_cols)

print(survey_df.head(3))

  Part2StartDate_Part2StartTime   Age       ...    SchoolMajor  StudentDebtOwe
0           2016-03-29 21:24:57  28.0       ...            NaN           20000
1           2016-03-29 21:27:14  22.0       ...            NaN             NaN
2           2016-03-29 21:27:13  19.0       ...            NaN             NaN

[3 rows x 98 columns]

Parsování dat

# List columns of dates to parse
date_cols = {"Part1Start": "Part1StartTime", 
             "Part1End": "Part1EndTime",
             "Part2Start": ["Part2StartDate", 
                             "Part2StartTime"]}


# Load file, parsing standard and split datetime columns
survey_df = pd.read_excel("fcc_survey.xlsx", 
                          parse_dates=date_cols)

print(survey_df.Part2Start.head(3))

0   2016-03-29 21:24:57
1   2016-03-29 21:27:14
2   2016-03-29 21:27:13
Name: Part2Start, dtype: datetime64[ns]

Nestandardní data

parse_dates nefunguje s nestandardními formáty datetime
Pokud parse_dates nefunguje, použijte po načtení dat pd.to_datetime()
Argumenty to_datetime():
- DataFrame a sloupec k převodu
- format: řetězcová reprezentace formátu datetime

Formátování datetime

Formátování řetězců datetime se popisuje pomocí kódů a znaků
Úplný seznam naleznete na strftime.org

Formátování datetime

Kód	Význam	Příklad
`%Y`	Rok (4 číslice)	1999
`%m`	Měsíc (s nulou)	03
`%d`	Den (s nulou)	01
`%H`	Hodina (24hod.)	21
`%M`	Minuta (s nulou)	09
`%S`	Sekunda (s nulou)	05

Parsování nestandardních dat

Tabulka s daty a časy, zvýrazněný sloupec s neobvyklým formátem datetime

format_string = "%m%d%Y %H:%M:%S"

survey_df["Part2EndTime"] = pd.to_datetime(survey_df["Part2EndTime"],
                                           format=format_string)

Parsování nestandardních dat

print(survey_df.Part2EndTime.head())

0   2016-03-29 21:27:25
1   2016-03-29 21:29:10
2   2016-03-29 21:28:21
3   2016-03-29 21:30:51
4   2016-03-29 21:31:54
Name: Part2EndTime, dtype: datetime64[ns]

Lass uns üben!

Streamlined Data Ingestion with pandas