In [6]:

df['date'] = pd.to_datetime(df['date'])

df['year'], df['month'] = df['date'].dt.year, df['date'].dt.month

Out[6]:

date Count year month

0 2010-06-30 525 2010 6

1 2010-07-30 136 2010 7

2 2010-08-31 125 2010 8

3 2010-09-30 84 2010 9

4 2010-10-29 4469 2010 10

看起来你正在运行旧版本的pandas，在这种情况下，以下内容可以正常工作：

In [18]:

df['date'] = pd.to_datetime(df['date'])

df['year'], df['month'] = df['date'].apply(lambda x: x.year), df['date'].apply(lambda x: x.month)

Out[18]:

date Count year month

0 2010-06-30 525 2010 6

1 2010-07-30 136 2010 7

2 2010-08-31 125 2010 8

3 2010-09-30 84 2010 9

4 2010-10-29 4469 2010 10

关于为什么它没有将它解析为read_csv中的日期时间，你需要传递列的序号位置([0])，因为当它试图解析列[1,2,3]时，请参阅docs

In [20]:

t="""date Count

6/30/2010 525

7/30/2010 136

8/31/2010 125

9/30/2010 84

10/29/2010 4469"""

df = pd.read_csv(io.StringIO(t), sep='\s+', parse_dates=[0])

df.info()

Int64Index: 5 entries, 0 to 4

Data columns (total 2 columns):

date 5 non-null datetime64[ns]

Count 5 non-null int64

dtypes: datetime64[ns](1), int64(1)

memory usage: 120.0 bytes

因此，如果您将param parse_dates = [0]传递给read_csv，则加载后不应该在’date’列上调用to_datetime。

如果您正在运行最近版本的pandas，那么您可以使用datetime属性dt来访问datetime组件：In [6]:df['date'] = pd.to_datetime(df['date'])df['year'], df['month'] = df['date'].dt.year, df['date'].dt.monthdfOut[6]:date Count year month0 20... 如果读入的时间列数据是string类型，我们可以先进行时间序列的转换 df ['login_time'] = pd.to_ datetime ( df ['login_time']) 这样处理后可以使用dt模块，如果需要添加日期对应的周数或者月份 比如添加星期 df ['daynameofweek'] = df ['login_time'].dt.day_name() 1、 pandas .Series.dt.y ear () 和 pandas .Series.dt.month() 方法 提取 月份和 年份 2、strftime() 方法 提取 年份 和月份 3、 pandas . Datetime Index.month 和 pandas . Datetime Index.y ear 提取 年份 和月份 4、参考资料 1、 pandas .Series.dt.y ear () 和 pandas .Series.dt.month() 方法 提取 月份和 年份 应用于 Datetime 类型的 p..