pandas中如何将选中的日期列转为可按时间切片的日期或datetime index格式

你可以根据自己的使用场景选以下两种常用方案：

方案1：保留宽表结构，直接将日期列名转为datetime类型列索引 #

这种方案不用改动原表的行结构，适合平时以用户维度分析为主，仅偶尔需要按日期筛选列的场景。
操作代码如下：

# 1. 定义你要转换的40个日期列，这里示例是排除非日期字段的所有列，你也可以直接写你筛选好的40个列名列表
non_date_cols = ['id', 'access_type']
date_cols = [col for col in df.columns if col not in non_date_cols]

# 2. 将日期列的列名转为datetime格式
df.columns = df.columns.map(lambda x: pd.to_datetime(x) if x in date_cols else x)

转换完成后就可以直接按日期切片筛选列：

# 示例：筛选2018年9月到10月的所有数据
df_sep_oct = df.loc[:, pd.to_datetime('2018-09-01'):pd.to_datetime('2018-10-01')]

# 示例：筛选所有2018年的列
df_2018 = df.loc[:, df.columns.year == 2018]

方案2：转为长表格式，设置datetime行索引 #

这种方案符合tidy数据规范，适合需要做大量时间序列计算、分组统计的场景，后续各类分析的代码会更简洁。
操作代码如下：

# 1. 宽表转长表，把所有日期列转为行维度
df_long = df.melt(
    id_vars=['id', 'access_type'], # 保留的非日期维度
    var_name='date', # 存储日期的列名
    value_name='usage' # 存储使用量的列名，可根据你的实际业务修改
)

# 2. 转换日期列为datetime格式，设为行索引
df_long['date'] = pd.to_datetime(df_long['date'])
df_long = df_long.set_index('date')

转换完成后可以非常灵活的按日期切片：

# 示例：筛选2018年10月到11月的所有数据
df_oct_nov = df_long.loc['2018-10':'2018-11']

# 示例：筛选指定用户2018年9月及之后的使用数据
df_user1 = df_long[(df_long['id'] == 'user_1') & (df_long.index >= '2018-09')]

内容的提问来源于stack exchange，提问作者ande