如何将int64格式的pandas日期转回Timestamp或datetime并解决类型赋值报错?
核心问题解析
- 你看到的
1.5964128e+18类数值并非异常错值:pandas将datetime64类型的列转为np.int64时,存储的是纳秒精度的Unix时间戳(即从1970-01-01 00:00:00到目标日期的总纳秒数)。对应数值1596412800000000000换算后,正好是2020-08-03 00:00:00 UTC,和你预期的日期完全一致。 - 直接存储原始日期时触发的
TypeError: float() argument must be a string or a number, not 'Timestamp'报错,根源是你用来存储cudate的数组,初始化时默认是float数值类型,无法存放pandas的Timestamp对象,类型不匹配导致赋值失败。
具体解决方法
1. 纳秒时间戳转回正常日期格式
不需要手动做除法换算,直接用pandas内置的时间转换函数即可识别纳秒级整数:
- 对存储了大整数的
cudate数组执行转换:normal_dates = pd.to_datetime(cudate),输出的结果就是标准可读的日期格式,可直接用于后续分赛事、分球种的位移幅度统计逻辑。 - 示例验证:值
1596412800000000000经转换后输出为2020-08-03 00:00:00,和预期日期完全匹配。
2. 直接存储原始日期时修复类型报错
如果不需要把日期转成整数存数组,只需要修改目标存储数组的初始化类型即可:
- 原错误初始化逻辑(默认float类型,无法存对象):
cudate = np.zeros(curve_count, dtype=float) - 修改为可容纳对象的object类型初始化:
cudate = np.empty(curve_count, dtype=object)
修改后再给cudate赋值pandas的Timestamp对象,就不会触发类型不匹配的报错。
流程优化建议
当前手动逐行遍历、维护计数器c、手动给空数组赋值的逻辑,很容易出现索引错位、类型不匹配的问题,完全可以用pandas内置的筛选逻辑替代,不需要手写循环:
- 直接按球种筛选目标行,一次性取出需要的位移值、日期值,核心代码如下:
# 筛选所有球种为Curveball的记录 curve_row_mask = hughes2020['pitch_name'] == 'Curveball' # 直接提取对应列的数组值,无需手动循环赋值 xcurve = hughes2020.loc[curve_row_mask, 'totalx'].values ycurve = hughes2020.loc[curve_row_mask, 'totaly'].values cudate = hughes2020.loc[curve_row_mask, 'game_date'].values
这种写法既不会出现类型报错,也能避免手动循环带来的索引错位问题,执行效率也远高于逐行遍历。
内容的提问来源于stack exchange,提问作者stratusshow
相关产品推荐
相关产品推荐

