pandas指定列截取子串、Date of Birth列求最值及转分类变量咨询

报错原因说明 #

• Date of Birth列被pandas解析为datetime64类型而非字符串类型，因此不存在.str访问器属性
• 第二种写法错误引用了不存在的Name列，同时逐行遍历修改pandas数据属于极低效的操作，不推荐使用

步骤1：统一日期列格式 #

首先将出生日期列转换为标准的pandas日期格式：

import pandas as pd
# errors='coerce'会把不符合格式的内容转为空值，避免报错
dataset1['Date of Birth'] = pd.to_datetime(dataset1['Date of Birth'], errors='coerce')

步骤2：获取日期最大、最小值 #

直接调用Series内置的统计方法即可：

# 完整日期的最大最小值
min_dob = dataset1['Date of Birth'].min()
max_dob = dataset1['Date of Birth'].max()

# 若只需年份的最大最小值
min_birth_year = dataset1['Date of Birth'].dt.year.min()
max_birth_year = dataset1['Date of Birth'].dt.year.max()

步骤3：按年份区间分组生成分类变量 #

使用pandas的cut方法快速完成分箱分组，无需自行遍历：

# 先提取出生年份列
dataset1['birth_year'] = dataset1['Date of Birth'].dt.year

# 自定义分箱边界，可根据实际年份范围调整
bins = [1969, 1974, 1980, 1985, 1990, 1995, 2000]
# 自定义分组标签，和上方分箱区间一一对应
labels = [0, 1, 2, 3, 4, 5]

# 生成分组列，include_lowest=True保证左边界数值被正确归入对应区间
dataset1['year_group'] = pd.cut(
    dataset1['birth_year'],
    bins=bins,
    labels=labels,
    include_lowest=True
)

如果你的Date of Birth列确实需要用字符串方式截取年份，可先强制转为字符串类型再操作：

dataset1['birth_year'] = dataset1['Date of Birth'].astype(str).str[:4].astype(int)

内容的提问来源于stack exchange，提问作者PassaroBagante