今天，我非常惊讶地发现，当从数据文件读取数据时(例如)，熊猫能够识别值的类型:
df = pandas.read_csv('test.dat', delimiter=r"\s+", names=['col1','col2','col3'])
例如，可以这样检查:
for i, r in df.iterrows():
print type(r['col1']), type(r['col2']), type(r['col3'])
特别是整数、浮点数和字符串被正确识别。但是，我有一列的日期格式如下:2013-6-4。这些日期被识别为字符串(而不是python date-objects)。
当前回答
分别以日期和时间格式读取现有字符串列
pd.read_csv('CGMData.csv', parse_dates=['Date', 'Time'])
结果列
连接日期和时间的字符串列，并添加datetype对象的新列-删除原始列
如果要重命名新列名，则将字典作为 如下面的例子所示，新的列名将是键名， 如果作为列的列表传递，新的列名将是列表中传递的列名的组合，以_例如Date_Time分隔
# parse_dates={'given_name': ['Date', 'Time']}
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates=[['Date', 'Time']])
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates={'date_time': ['Date', 'Time']})
连接日期和时间的字符串列，并添加datetype对象的新列和保留原始列
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates=[['Date', 'Time']], keep_date_col=True)
想要更改从csv读取的日期和时间的格式
parser = lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M:%S')
pd.read_csv('path', date_parser=parser, parse_dates=['date', 'time'])
其他回答
也许自从@Rutger回答之后，pandas接口已经改变了，但在我使用的版本(0.15.2)中，date_parser函数接收的是日期列表，而不是单个值。在这种情况下，他的代码应该像这样更新:
from datetime import datetime
import pandas as pd
dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d %H:%M:%S') for d in dates]
df = pd.read_csv('test.dat', parse_dates=['datetime'], date_parser=dateparse)
由于最初的提问者说他想要日期，而日期是2013-6-4格式，dateparse函数应该是:
dateparse = lambda dates: [datetime.strptime(d, '%Y-%m-%d').date() for d in dates]
加载csv文件时包含日期列。我们有两种方法来制作熊猫 识别日期列，即
熊猫显式识别格式通过arg date_parser=mydateparser Pandas隐式识别agr infer_datetime_format=True的格式
一些日期列数据
01/01/18
01/02/18
这里我们不知道前两件事，可能是月，也可能是日。在这种情况下，我们要用 方法1: 显式传递格式
mydateparser = lambda x: pd.datetime.strptime(x, "%m/%d/%y")
df = pd.read_csv(file_name, parse_dates=['date_col_name'],
date_parser=mydateparser)
方法2:—隐式或自动识别格式
df = pd.read_csv(file_name, parse_dates=[date_col_name],infer_datetime_format=True)
是的——根据熊猫的说法。read_csv文档:
注意:对于iso8601格式的日期存在快速路径。
因此，如果您的csv有一个名为datetime的列，日期看起来像2013-01-01T01:01，例如，运行这个将使pandas(我在v0.19.2)自动获取日期和时间:
Df = pd.read_csv('test.csv'， parse_dates=['datetime'])
请注意，您需要显式地传递parse_dates，否则它无法工作。
验证:
df.dtypes
您应该看到该列的数据类型是datetime64[ns]
分别以日期和时间格式读取现有字符串列
pd.read_csv('CGMData.csv', parse_dates=['Date', 'Time'])
结果列
连接日期和时间的字符串列，并添加datetype对象的新列-删除原始列
如果要重命名新列名，则将字典作为 如下面的例子所示，新的列名将是键名， 如果作为列的列表传递，新的列名将是列表中传递的列名的组合，以_例如Date_Time分隔
# parse_dates={'given_name': ['Date', 'Time']}
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates=[['Date', 'Time']])
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates={'date_time': ['Date', 'Time']})
连接日期和时间的字符串列，并添加datetype对象的新列和保留原始列
pd.read_csv("InsulinData.csv",low_memory=False,
parse_dates=[['Date', 'Time']], keep_date_col=True)
想要更改从csv读取的日期和时间的格式
parser = lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M:%S')
pd.read_csv('path', date_parser=parser, parse_dates=['date', 'time'])
除了其他回复所说的，如果必须解析具有数十万个时间戳的非常大的文件，date_parser可能会成为一个巨大的性能瓶颈，因为它是一个每行调用一次的Python函数。您可以通过在解析CSV文件时将日期保存为文本，然后将整个列一次性转换为日期来获得相当大的性能改进:
# For a data column
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']})
df['mydatetime'] = pd.to_datetime(df['mydatetime'], exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a DateTimeIndex
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']}, index_col='mydatetime')
df.index = pd.to_datetime(df.index, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
# For a MultiIndex
df = pd.read_csv(infile, parse_dates={'mydatetime': ['date', 'time']}, index_col=['mydatetime', 'num'])
idx_mydatetime = df.index.get_level_values(0)
idx_num = df.index.get_level_values(1)
idx_mydatetime = pd.to_datetime(idx_mydatetime, exact=True, cache=True, format='%Y-%m-%d %H:%M:%S')
df.index = pd.MultiIndex.from_arrays([idx_mydatetime, idx_num])
在我的用例中，一个文件有200k行(每行一个时间戳)，这将处理时间从大约一分钟缩短到不到一秒。
