我有一个包含以下列的pandas数据框;
Date Time
01-06-2013 23:00:00
02-06-2013 01:00:00
02-06-2013 21:00:00
02-06-2013 22:00:00
02-06-2013 23:00:00
03-06-2013 01:00:00
03-06-2013 21:00:00
03-06-2013 22:00:00
03-06-2013 23:00:00
04-06-2013 01:00:00
如何组合数据['日期']＆amp;数据['时间']得到以下内容？有没有办法使用pd.to_datetime？
Date
01-06-2013 23:00:00
02-06-2013 01:00:00
02-06-2013 21:00:00
02-06-2013 22:00:00
02-06-2013 23:00:00
03-06-2013 01:00:00
03-06-2013 21:00:00
03-06-2013 22:00:00
03-06-2013 23:00:00
04-06-2013 01:00:00
答案 0 :(得分：114)
值得一提的是，您可以在直接中阅读此内容，例如：如果您使用parse_dates=[['Date', 'Time']]使用read_csv。
假设这些只是字符串，您可以简单地将它们一起添加（带空格），允许您应用to_datetime：
In [11]: df['Date'] + ' ' + df['Time']
Out[11]:
0 01-06-2013 23:00:00
1 02-06-2013 01:00:00
2 02-06-2013 21:00:00
3 02-06-2013 22:00:00
4 02-06-2013 23:00:00
5 03-06-2013 01:00:00
6 03-06-2013 21:00:00
7 03-06-2013 22:00:00
8 03-06-2013 23:00:00
9 04-06-2013 01:00:00
dtype: object
In [12]: pd.to_datetime(df['Date'] + ' ' + df['Time'])
Out[12]:
0 2013-01-06 23:00:00
1 2013-02-06 01:00:00
2 2013-02-06 21:00:00
3 2013-02-06 22:00:00
4 2013-02-06 23:00:00
5 2013-03-06 01:00:00
6 2013-03-06 21:00:00
7 2013-03-06 22:00:00
8 2013-03-06 23:00:00
9 2013-04-06 01:00:00
dtype: datetime64[ns]
注意：令人惊讶的是（对我而言），这可以很好地将NaN转换为NaT，但值得担心转换（可能使用raise参数）。
答案 1 :(得分：27)
接受的答案适用于数据类型为string的列。为了完整性：当列的数据类型为：日期和时间时，我在搜索如何执行此操作时遇到此问题。
df.apply(lambda r : pd.datetime.combine(r['date_column_name'],r['time_column_name']),1)
答案 2 :(得分：8)
您可以使用它将日期和时间合并到同一列数据框中。
import pandas as pd
data_file = 'data.csv' #path of your file
使用合并列Date_Time：
读取.csv文件data = pd.read_csv(data_file, parse_dates=[['Date', 'Time']])
您也可以使用此行同时保留其他列。
data.set_index(['Date', 'Time'], drop=False)
答案 3 :(得分：7)
我没有足够的声誉来评论jka.ne所以：
我必须修改jka.ne's line才能使其正常工作：
df.apply(lambda r : pd.datetime.combine(r['date_column_name'],r['time_column_name']).time(),1)
这可能有助于其他人。
另外，我使用replace代替combine测试了一种不同的方法：
def combine_date_time(df, datecol, timecol):
return df.apply(lambda row: row[datecol].replace(
hour=row[timecol].hour,
minute=row[timecol].minute),
axis=1)
将是：
combine_date_time(df, 'Date', 'Time')
我为两个相对较大的数据集（> 500.000行）计算了两种方法，它们都有相似的运行时，但使用combine的速度更快（replace为59s而{{1}为50s }}）。
答案 4 :(得分：4)
如果类型不同（datetime和timestamp或str），您可以强制转换列，并使用to_datetime：
df.loc[:,'Date'] = pd.to_datetime(df.Date.astype(str)+' '+df.Time.astype(str))
结果：
0 2013-01-06 23:00:00
1 2013-02-06 01:00:00
2 2013-02-06 21:00:00
3 2013-02-06 22:00:00
4 2013-02-06 23:00:00
5 2013-03-06 01:00:00
6 2013-03-06 21:00:00
7 2013-03-06 22:00:00
8 2013-03-06 23:00:00
9 2013-04-06 01:00:00
最好，
答案 5 :(得分：3)
答案实际上取决于您的列类型。就我而言，我有datetime和timedelta。
> df[['Date','Time']].dtypes
Date datetime64[ns]
Time timedelta64[ns]
如果是这种情况，那么您只需要添加列：
> df['Date'] + df['Time']
答案 6 :(得分：1)
通过组合datetime和datetime对象，您也可以在不进行字符串连接的情况下转换为timedelta。与pd.DataFrame.pop结合使用，您可以同时删除源系列：
df['DateTime'] = pd.to_datetime(df.pop('Date')) + pd.to_timedelta(df.pop('Time'))
print(df)
DateTime
0 2013-01-06 23:00:00
1 2013-02-06 01:00:00
2 2013-02-06 21:00:00
3 2013-02-06 22:00:00
4 2013-02-06 23:00:00
5 2013-03-06 01:00:00
6 2013-03-06 21:00:00
7 2013-03-06 22:00:00
8 2013-03-06 23:00:00
9 2013-04-06 01:00:00
print(df.dtypes)
DateTime datetime64[ns]
dtype: object
答案 7 :(得分：1)
首先请确保具有正确的数据类型：
df["Date"] = pd.to_datetime(df["Date"])
df["Time"] = pd.to_timedelta(df["Time"])
然后您可以轻松地将它们组合在一起：
df["DateTime"] = df["Date"] + df["Time"]
答案 8 :(得分：1)
使用combine函数：
datetime.datetime.combine(date, time)
答案 9 :(得分：1)
数据：
代码：
data.columns = ['ticker', 'per', 'date', 'time', 'open', 'high', 'low', 'close', 'vol']
data.datetime = pd.to_datetime(data.date.astype(str) + ' ' + data.time.astype(str), format='%Y%m%d %H%M%S')
答案 10 :(得分：0)
我的数据集在几天内具有1秒分辨率的数据，并且通过此处建议的方法进行解析非常慢。相反，我使用了：
dates = pandas.to_datetime(df.Date, cache=True)
times = pandas.to_timedelta(df.Time)
datetimes = dates + times
请注意，cache=True的使用使解析日期非常有效，因为我的文件中只有几个唯一的日期，而对于合并的日期和时间列则不是这样。
答案 11 :(得分：0)
这是一个单班轮，去做吧。您只需将每一列中的两个字符串连接起来，中间有一个“”空格。
说 df 是您的数据框，列是“时间”和“日期”。您的新列是 DateAndTime。
df['DateAndTime'] = df['Date'].str.cat(df['Time'],sep=" ")
如果您还想处理诸如日期时间对象之类的条目，您可以这样做。您可以根据需要调整格式。
df['DateAndTime'] = pd.to_datetime(df['DateAndTime'], format="%m/%d/%Y %I:%M:%S %p")
干杯！！快乐的数据处理。
答案 12 :(得分：0)
我认为最好的解决方案是直接在 read_csv（或其他 read_ 函数）中解析日期。如何在 date_parser 中管理两列并不明显，但这里是：
date_parser = lambda x,y: datetime.strptime(f"{x}T{y}", "%d-%m-%YT%H:%M:%S")
date = pd.read_csv('data.csv', parse_dates={'date': ['Date', 'Time']}, date_parser=date_parser)