pd.to_datetime(arg，errors=“raise”，dayfirst=False，yearfirst=False，utc=None，box=True，format=None，exact=True，unit=None，infer_datetime_format=False，origin=“unix”，cache=False)
arg：指定转换的数据对象，能够是整型、浮点型、字符串、列表、元组、一维数组、Serise、DataFrame 和字典
errors：设置出错提醒形式，可选 {“ignore”,”raise”,”coercec”}，默认值为 ”raise”，如果转换失败，则给出出错提示信息；”ignore” 则不登程出错提示信息；”coercec” 在转换过程存在有效工夫值时，主动转为 NaT 值
dayfirst：指定 arg 参数转换时的程序，设置为 True 时，则先转换日期，再转换工夫，默认值为 False
yearfirst：值为 True 时则先转换日期，默认值为 False
utc：值为 True 返回 UTC DatetimeIndex，默认值为 None
box：默认值为 True 返回 DatetimeIndex 或相干索引对象；值为 False 则返回多维数组
format：字符串，默认值为 None，指定字符串工夫转化为工夫时的 strftime 的格局，相似 strftime 办法转化为工夫的应用办法
exact：默认值为 True 示意准确匹配格局，值为 False 则容许匹配指标字符串中的任何地位
unit：字符串，默认值为 ”ns”，对转换对象指定工夫单位（D 天、s 秒、ma 毫秒、ns 纳秒）
infer_datetime_format：默认值为 False，如果为 True，且没有给出转换固定格局（format 参数），且字符串日期工夫格局确定，则能够进步转换速度
origin：确定日期的开始点，默认值为 ”unix”，则日期的开始点为 1970-01-01，若提供值为 Timestamp 日期，则以 Timestamp 的终点日期作为开始点日期
cache：跟单网 gendan5.com 默认值为 False，如果为 True，则是用惟一的转换日期缓存来利用日期工夫转换，解析反复的日期字符串时能够进步转换速度
import pandas as pdfrom datetime import datetime
filename = r”D:\data_test.xlsx”
df = pd.read_excel(filename)
print(df.head())print(“=”*30)print(df.info())
name gender birthday start_work income tel email \
0 赵一 男 1989/8/10 2012-09-08 15000 13611011234 zhaoyi@qq.com
1 王二 男 1990/10/2 2014-03-06 12500 13500012234 wanger@163.com
2 张三 女 1987/3/12 2009-01-08 18500 13515273330 zhangsan@qq.com
3 李四 女 1991/8/16 2014-06-04 13000 13923673388 lisi@gmail.com
4 刘五 女 1992/5/24 2014-08-10 8500 17823117890 liuwu@qq.com
other 0 {教育：本科，业余：电子商务，喜好：静止}
1 {教育：大专，业余：汽修，喜好：}
2 {教育：本科，业余：数学，喜好：打篮球}
3 {教育：硕士，业余：统计学，喜好：唱歌}
4 {教育：本科，业余：美术，喜好：}
<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 8 entries, 0 to 7
Data columns (total 8 columns):
# Column Non-Null Count Dtype
0 name 8 non-null object
1 gender 8 non-null object
2 birthday 8 non-null object
3 start_work 8 non-null datetime64[ns]
4 income 8 non-null int64
5 tel 8 non-null int64
6 email 8 non-null object
7 other 8 non-null object
dtypes: datetime64ns, int64(2), object(5)
memory usage: 640.0+ bytes
None
df.birthday=pd.to_datetime(df.birthday,format=”%Y-%m-%d”)
df.info()
1
2
<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 8 entries, 0 to 7
Data columns (total 8 columns):
# Column Non-Null Count Dtype
0 name 8 non-null object
1 gender 8 non-null object
2 birthday 8 non-null datetime64[ns]
3 start_work 8 non-null datetime64[ns]
4 income 8 non-null int64
5 tel 8 non-null int64
6 email 8 non-null object
7 other 8 non-null object
dtypes: datetime64ns, int64(2), object(4)
memory usage: 640.0+ bytes
data = pd.DataFrame({“ 客户 ”:[“ 李 ”,” 张 ”,” 刘 ”,” 宋 ”],” 工资 ”:[3500,2500,1500,500],” 日期 ”:[“2020-11-19″,”2020-11-20″,”2020-12-19″,”2020-12-20”]},index = [“A”,”B”,”C”,”D”])print(data.info)
<bound method DataFrame.info of 客户 工资 日期
A 李 3500 2020-11-19
B 张 2500 2020-11-20
C 刘 1500 2020-12-19
D 宋 500 2020-12-20>