wake-up-neo.com

python/Pandas: Konvertiert den Monat int in den Monatsnamen

Die meisten Informationen, die ich gefunden habe, waren nicht in Python> Pandas> Dataframe, daher die Frage.

Ich möchte eine ganze Zahl zwischen 1 und 12 in einen abgekürzten Monatsnamen umwandeln.

Ich habe eine DF, die wie folgt aussieht:

   client Month
1  sss    02
2  yyy    12
3  www    06

Ich möchte, dass der DF so aussieht:

   client Month
1  sss    Feb
2  yyy    Dec
3  www    Jun
pythondatepandasdataframemonthcalendar
12
Boosted_d16

Sie können dies effizient tun, indem Sie calendar.month_abbr und df[col].apply() kombinieren.

import calendar
df['Month'] = df['Month'].apply(lambda x: calendar.month_abbr[x])
14
EoinS

Eine Möglichkeit dazu ist die apply-Methode im Dataframe, aber dazu benötigen Sie eine Karte, um die Monate zu konvertieren. Sie können dies entweder mit einer Funktion/einem Wörterbuch oder mit Pythons eigener Datetime tun.

Mit der Datumszeit wäre es ungefähr so:

def mapper(month):
    date = datetime.datetime(2000, month, 1)  # You need a dateobject with the proper month
    return date.strftime('%b')  # %b returns the months abbreviation, other options [here][1]

df['Month'].apply(mapper)


In ähnlicher Weise können Sie Ihre eigene Karte für benutzerdefinierte Namen erstellen. Es würde so aussehen:

months_map = {01: 'Jan', 02: 'Feb'}
def mapper(month):
    return months_map[month]


Offensichtlich müssen Sie diese Funktionen nicht explizit definieren und könnten eine lambda direkt in der Apply-Methode verwenden.

4
pekapa

Verwenden Sie dazu die Funktion strptime und lambda:

from time import strptime
df['Month'] = df['Month'].apply(lambda x: strptime(x,'%b').tm_mon)
3
Vagee

Sie können dies problemlos mit einer Spalte anwenden.

import pandas as pd

df = pd.DataFrame({'client':['sss', 'yyy', 'www'], 'Month': ['02', '12', '06']})

look_up = {'01': 'Jan', '02': 'Feb', '03': 'Mar', '04': 'Apr', '05': 'May',
            '06': 'Jun', '07': 'Jul', '08': 'Aug', '09': 'Sep', '10': 'Oct', '11': 'Nov', '12': 'Dec'}

df['Month'] = df['Month'].apply(lambda x: look_up[x])
df

  Month client
0   Feb    sss
1   Dec    yyy
2   Jun    www
2
andrew

Da die abgekürzten Monatsnamen die ersten drei Buchstaben ihres vollen Namens sind, könnten wir zuerst die Month-Spalte in datetime konvertieren und dann dt.month_name() verwenden, um den vollständigen Monatsnamen zu erhalten, und schließlich die str.slice()-Methode verwenden, um die ersten drei Buchstaben zu erhalten, die alle Pandas und verwenden nur in einer Codezeile:

df['Month'] = pd.to_datetime(df['Month'], format='%m').dt.month_name().str.slice(stop=3)

df

  Month client
0   Feb sss
1   Dec yyy
2   Jun www
1
today
def mapper(month):
   return month.strftime('%b') 

df['Month'] = df['Month'].apply(mapper)

Referenz:

0
Suhas_Pote

Das calendar Modul ist nützlich, aber calendar.month_abbr ist arrayartig: Es kann nicht direkt vektorisiert verwendet werden. Für ein effizientes Mapping können Sie ein Wörterbuch erstellen und dann pd.Series.map verwenden:

import calendar
d = dict(enumerate(calendar.month_abbr))
df['Month'] = df['Month'].map(d)

Performance-Benchmarking zeigt einen ~ 130x-Leistungsunterschied:

import calendar

d = dict(enumerate(calendar.month_abbr))
mapper = calendar.month_abbr.__getitem__

np.random.seed(0)
n = 10**5
df = pd.DataFrame({'A': np.random.randint(1, 13, n)})

%timeit df['A'].map(d)       # 7.29 ms per loop
%timeit df['A'].map(mapper)  # 946 ms per loop
0
jpp

Nachdem ich all diese Daten an einem großen Datensatz getestet habe, habe ich festgestellt, dass folgende am schnellsten ist:

import calendar
def month_mapping():
    # I'm lazy so I have a stash of functions already written so
    # I don't have to write them out every time. This returns the
    # {1:'Jan'....12:'Dec'} dict in the laziest way...
    abbrevs = {}
    for month in range (1, 13):
        abbrevs[month] = calendar.month_abbr[month]
    return abbrevs

abbrevs = month_mapping()

df['Month Abbrev'} = df['Date Col'].dt.month.map(mapping)
0
Heather