用Pandas read_csv将含分离日期时间列的CSV导入为多级索引DataFrame

嘿，你的思路完全没问题！用pandas.read_csv()配合index_col=['Date', 'Time']确实能直接生成带多级索引的DataFrame，不过我可以给你补充几个细节，确保日期和时间的解析完全匹配你指定的格式，避免自动识别踩坑：

核心代码优化与解析 #

你给出的代码已经覆盖了核心需求，我帮你拆解关键参数，再补全格式指定的部分：

import pandas as pd

_file_data = pd.read_csv(
    _file,
    sep=",",
    header=0,
    index_col=['Date', 'Time'],
    thousands="'",  # 专门处理带单引号的千位分隔符，比如像'1,234'这种格式的数据
    date_parser=lambda x: pd.to_datetime(x, format='%Y:%m:%d'),  # 明确指定Date列的解析格式，防止自动识别出错
    skipinitialspace=True
)

# 可选：把Time列转换成标准时间类型（如果需要的话）
_file_data.index = _file_data.index.set_levels(
    [_file_data.index.levels[0], pd.to_datetime(_file_data.index.levels[1], format='%H:%M:%S').time],
    level=['Date', 'Time']
)

两种索引方案的选择 #

• 保留多级索引：上面的代码就是保留Date和Time两级索引的写法，通过date_parser明确指定日期格式，避免pandas自动解析时出现偏差。如果你的Time列只需要作为字符串保留，那可以去掉后面的索引层级转换部分。
• 合并为单一Datetime索引：如果更习惯用单个完整的datetime索引（而不是多级），可以这样写：

  _file_data = pd.read_csv(
      _file,
      sep=",",
      header=0,
      thousands="'",
      parse_dates={'Datetime': ['Date', 'Time']},  # 把Date和Time合并成一个Datetime列
      date_parser=lambda x: pd.to_datetime(x, format='%Y:%m:%d %H:%M:%S'),  # 指定合并后的时间格式
      skipinitialspace=True
  ).set_index('Datetime')
  

验证导入结果 #

导入完成后，你可以用这条命令检查索引是否符合预期：

print(_file_data.index)

如果是多级索引，输出会类似MultiIndex([('2016-01-04', '09:00:00'), ...], names=['Date', 'Time'])，确认格式正确就大功告成啦！

内容的提问来源于stack exchange，提问作者Krasnars