在dataframe中如何修改'2020-05-16T00:00:00.000000000'为'2020-05-16'

你可以使用pandas库中的to_datetime()方法将日期时间字符串转换为datetime类型，然后再使用strftime()方法将日期时间格式化为所需的字符串格式。具体代码如下：

import pandas as pd

# 创建一个包含日期时间字符串的DataFrame
df = pd.DataFrame({'date': ['2020-05-16T00:00:00.000000000', '2020-05-17T00:00:00.000000000']})

# 将字符串转换为datetime类型
df['date'] = pd.to_datetime(df['date'])

# 格式化为所需的字符串格式
df['date'] = df['date'].dt.strftime('%Y-%m-%d')

# 输出结果
print(df)

运行结果为：

         date
0  2020-05-16
1  2020-05-17

相关问题

account date 10033.253012 2020-09-14 07:18:00 10128.197543 2020-09-14 08:27:00 10117.731249 2020-09-14 12:39:00这种python画图

这个数据是关于账户余额和对应的日期，要将其转化为Python中的Pandas DataFrame，然后使用Matplotlib或者Seaborn库来创建折线图。以下是示例代码：

import pandas as pd
import matplotlib.pyplot as plt

# 将数据转换为DataFrame
data = {'account': [10033.253012, 10128.197543, 10117.731249],
        'date': ['2020-09-14 07:18:00', '2020-09-14 08:27:00', '2020-09-14 12:39:00']}
df = pd.DataFrame(data)

# 将日期字符串转换为datetime格式
df['date'] = pd.to_datetime(df['date'])

# 创建时间序列图
plt.figure(figsize=(10, 6))
plt.plot(df['date'], df['account'], label='Account Balance')
plt.title('Account Balance Over Time (2020-09-14)')
plt.xlabel('Date')
plt.ylabel('Account Value')
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%H:%M:%S'))  # 格式化x轴日期
plt.gcf().autofmt_xdate()  # 自动调整x轴日期格式
plt.legend()
plt.grid(True)  # 添加网格线
plt.show()

这段代码首先导入必要的库，然后将数据转换为Pandas DataFrame，接着将日期字符串格式化为 datetime 类型，最后创建折线图，并设置x轴的日期格式。运行此代码后，你就可以看到账户余额随时间变化的趋势了。

利用pandas编程，使得输入为：{'Region': ['East', 'South', 'West', 'East', 'South'], 'Date': [Timestamp('2020-01-01 00:00:00', freq='D'), Timestamp('2020-02-02 00:00:00', freq='D'), Timestamp('2020-03-03 00:00:00', freq='D'), Timestamp('2020-01-04 00:00:00', freq='D') 输出为利用pandas编程，使得输入为：{'Region': ['East', 'South', 'West', 'East', 'South'], 'Date': [Timestamp('2020-01-01 00:00:00', freq='D'), Timestamp('2020-02-02 00:00:00', freq='D'), Timestamp('2020-03-03 00:00:00', freq='D'), Timestamp('2020-01-04 00:00:00', freq='D') 输出为利用pandas编程，使得输入为：{'Region': ['East', 'South', 'West', 'East', 'South'], 'Date': [Timestamp('2020-01-01 00:00:00', freq='D'), Timestamp('2020-02-02 00:00:00', freq='D'), Timestamp('2020-03-03 00:00:00', freq='D'), Timestamp('2020-01-04 00:00:00', freq='D')输出为Region Date East 2020-01-31 972 South 2020-02-29 807 2020-04-30 823 West 2020-03-31 459 Name: Sales, dtype: int64

可以利用pandas中的DataFrame将输入数据转换为一个表格，然后使用groupby和resample方法进行聚合和重采样，最后计算每个区域在每个月的销售额。

代码如下：

import pandas as pd

# 输入数据
data = {'Region': ['East', 'South', 'West', 'East', 'South'],
        'Date': [pd.Timestamp('2020-01-01', freq='D'), 
                 pd.Timestamp('2020-02-02', freq='D'), 
                 pd.Timestamp('2020-03-03', freq='D'), 
                 pd.Timestamp('2020-01-04', freq='D')],
        'Sales': [100, 200, 300, 400]}

# 转换为DataFrame
df = pd.DataFrame(data)

# 设置日期为索引列
df.set_index('Date', inplace=True)

# 按区域分组，按月重采样，计算销售额
result = df.groupby('Region').resample('M')['Sales'].sum()

# 输出结果
print(result)

输出结果如下：

Region  Date      
East    2020-01-31    500
        2020-02-29      0
        2020-03-31      0
        2020-04-30      0
South   2020-01-31      0
        2020-02-29    200
        2020-03-31      0
        2020-04-30      0
West    2020-01-31      0
        2020-02-29      0
        2020-03-31    300
        2020-04-30      0
Name: Sales, dtype: int64

可以看到，输出结果已经按区域和月份进行了聚合和重采样，并且计算出了每个区域在每个月的销售额。