for i in time_col: order_May[i]=pd.to_datetime(order_May[i]) order_May[i]=order_May[i].strftime("%Y-%m-%d %H:%M:%S")被返回 'Series' object has no attribute 'strftime'

这个错误可能是因为你尝试对整个Series对象调用strftime函数，而不是Series中的每个元素（即日期时间对象）调用该函数。

你可以使用apply函数来对Series中的每个元素调用strftime函数，例如：

for i in time_col:
    order_May[i] = pd.to_datetime(order_May[i])
    order_May[i] = order_May[i].apply(lambda x: x.strftime("%Y-%m-%d %H:%M:%S"))

这将使用lambda函数将每个日期时间对象转换为格式化后的字符串，并将其赋值回原始Series对象。注意，这里的lambda函数将每个日期时间对象x作为输入，并将其转换为"%Y-%m-%d %H:%M:%S"格式的字符串输出。

相关问题

for c in time_cols: if str(main_table[c].dtypes)[:3] == 'int': main_table[c] = pd.to_datetime(main_table[c].replace(99991231, None), format='%Y%m%d') else: main_table[c] = pd.to_datetime(main_table[c])

这段代码是一个循环，用于将指定的列（`time_cols`）转换为日期时间格式。

循环遍历 `time_cols` 列表中的每个元素，其中 `c` 表示当前迭代的列名。在循环体中，首先使用 `str(main_table[c].dtypes)[:3]` 来获取列的数据类型的前三个字符。如果这个结果与 `'int'` 相等，表示该列是整数类型。

如果列是整数类型，那么使用 `main_table[c].replace(99991231, None)` 将该列中的值 99991231 替换为 `None`，然后使用 `pd.to_datetime` 将该列转换为日期时间格式，并指定日期的格式为 `'%Y%m%d'`。

如果列不是整数类型，则直接使用 `pd.to_datetime` 将该列转换为日期时间格式。这里没有指定日期格式参数，默认情况下会尝试自动解析日期。

通过这个循环，可以将指定的列转换为日期时间格式，并更新到原始的 `main_table` 中。

def data_processing(data): # 日期缺失，补充 data.fillna(method='ffill', inplace=True) date_history = pd.DataFrame(data.iloc[:, 0]) data_history = pd.DataFrame(data.iloc[:, 1]) date_history = np.array(date_history) data_history = [x for item in np.array(data_history).tolist() for x in item] # 缺失值处理 history_time_list = [] for date in date_history: date_obj = datetime.datetime.strptime(date[0], '%Y/%m/%d %H:%M') #将字符串转为 datetime 对象 history_time_list.append(date_obj) start_time = history_time_list[0] # 起始时间 end_time = history_time_list[-1] # 结束时间 delta = datetime.timedelta(minutes=15) #时间间隔为15分钟 time_new_list = [] current_time = start_time while current_time <= end_time: time_new_list.append(current_time) current_time += delta # 缺失位置记录 code_list = [] for i in range(len(time_new_list)): code_list = code_list history_time_list = history_time_list while (time_new_list[i] - history_time_list[i]) != datetime.timedelta(minutes=0): history_time_list.insert(i, time_new_list[i]) code_list.append(i) for i in code_list: data_history.insert(i, data_history[i - 1]) # 输出补充好之后的数据 data = pd.DataFrame({'date': time_new_list, 'load': data_history}) return data 优化代码

可以尝试将循环语句进行向量化，使用 pandas 库提供的数据处理函数。具体来说，可以将以下部分进行优化：

history_time_list = []     
for date in date_history:         
    date_obj = datetime.datetime.strptime(date[0], '%Y/%m/%d %H:%M')         
    history_time_list.append(date_obj)

可以改写为：

history_time_list = pd.to_datetime(date_history.iloc[:, 0], format='%Y/%m/%d %H:%M')

同样地，可以将以下部分进行优化：

time_new_list = []     
current_time = start_time     
while current_time <= end_time:         
    time_new_list.append(current_time)         
    current_time += delta

可以改写为：

time_new_list = pd.date_range(start=start_time, end=end_time, freq='15min')

最后，可以使用 pandas 库提供的函数 `fillna()` 进行缺失值处理，而无需使用循环语句。

优化后的代码如下：

def data_processing(data):
    # 日期缺失，补充
    data.fillna(method='ffill', inplace=True)
    # 转换时间格式
    date_history = pd.to_datetime(data.iloc[:, 0], format='%Y/%m/%d %H:%M')
    # 缺失值处理
    start_time = date_history.iloc[0]
    end_time = date_history.iloc[-1]
    time_new_list = pd.date_range(start=start_time, end=end_time, freq='15min')
    data_history = data.iloc[:, 1].fillna(method='ffill')
    data_history = data_history.reindex(code_list, method='ffill')
    # 输出补充好之后的数据
    data = pd.DataFrame({'date': time_new_list, 'load': data_history})
    return data