使用Pandas处理一些基于timeseries的数据,这些数据包含日期、数字、类别等
我遇到的问题是让pandas从CSV创建的数据帧中正确地处理我的日期/时间列。我的数据中有18个日期列,它们不是连续的,原始CSV中的未知值的字符串值为“未知”。有些列的所有单元格中都有一个有效的日期时间,并通过pandas read_csv方法正确地猜测了它们的数据类型。但是,在特定的数据样本中,有些列的所有单元格都是“未知”的,并且这些单元格被作为对象进行类型化。
加载CSV的代码如下:
self.datecols = ['Claim Date', 'Lock Date', 'Closed Date', 'Service Date', 'Latest_Submission', 'Statement Date 1', 'Statement Date 2', 'Statement Date 3', 'Patient Payment Date 1', 'Patient Payment Date 2', 'Patient Payment Date 3', 'Primary 1 Payment Date', 'Primary 2 Payment Date', 'Primary 3 Payment Date', 'Secondary 1 Payment Date', 'Secondary 2 Payment Date', 'Tertiary Payment Date']
self.csvbear = pd.read_csv(file_path, index_col="Claim ID", parse_dates=True, na_values=['Unknown'])
self.csvbear = pd.DataFrame.convert_objects(self.csvbear, convert_dates='coerce')
print self.csvbear.dtypes
print self.csvbear['Tertiary Payment Date'].values
print self.csvbear.dtypes的输出
Prac object
Doctor Name object
Practice Name object
Specialty object
Speciality Code int64
Claim Date datetime64[ns]
Lock Date datetime64[ns]
Progress Note Locked object
Aging by Claim Date int64
Aging by Lock Date int64
Closed Date datetime64[ns]
Service Date datetime64[ns]
Week Number int64
Month datetime64[ns]
Current Insurance object
...
Secondary 2 Deductible float64
Secondary 2 Co Insurance float64
Secondary 2 Member Balance float64
Secondary 2 Paid float64
Secondary 2 Witheld float64
Secondary 2 Ins object
Tertiary Payment Date object
Tertiary Payment ID float64
Tertiary Allowed float64
Tertiary Deductible float64
Tertiary Co Insurance float64
Tertiary Member Balance float64
Tertiary Paid float64
Tertiary Witheld float64
Tertiary Ins float64
Length: 96, dtype: object
[nan nan nan ..., nan nan nan]
Press any key to continue . . .
如您所见,第三方付款日期列应该是datetime64数据类型,但它只是一个对象,其实际内容只是NaN(从字符串“Unknown”的read-csv函数放在这里)。
如何可靠地将所有日期列转换为将datetime64作为“未知”单元格的dtype和NaT?
如果您有一个all-nan列,它将不会被
read_csv
正确强制。最简单的方法就是这样做(如果一个列已经是datetime64[ns]的话,它将直接传递)。convert_objects
不会强制将列转换为datetime,除非它至少有一个非nan的东西是日期(这就是示例失败的原因)。to_datetime
可能更具攻击性,因为它“知道”您确实想要转换它。我喜欢你使用
DataFrame.convert_objects
的方法,比我以前尝试过的方法优雅得多。查看API文档:http://pandas.pydata.org/pandas-docs/stable/generated/pandas.io.parsers.read_csv.html
我想你现在正处于分析的数据争论阶段。将数据格式化为正确的格式通常是分析中最长的部分。有些事情就是表现不好,所以在特殊情况下硬编码是必要的。
因此,既然您知道哪些列不能正确解析,我建议您回到代码中,在
read_csv
阶段解析那些列。这里有个建议:您将注意到
parse_dates=True
已更改为parse_dates=[column, numbers, go, here]
。对于行为不正常的列,这可能是到达所需位置的最快速的暴力方法。相关问题 更多 >
编程相关推荐