我开始使用Pandas图书馆大约两周前。学习新的功能。我将感谢帮助以下问题。
我有一个日期为混合格式的列。这是两种格式
1.第一个月
dd/mm/yyyy
数据集摘录：-
Dates
6/5/2016
7/5/2016
7/5/2016
7/5/2016
9/5/2016
9/5/2016
9/5/2016
9/5/2016
5/13/2016
5/14/2016
5/14/2016我很难把这些转换成一个通用的格式。我试过使用Pandas的“to_datetime”。它不起作用。我也不确定在这种情况下使用正则表达式会有什么帮助。
另一条信息。日期是按顺序排列的。使用信息可以做些什么吗？。
编辑1：
我明白，如果我们单独看它们，是不可能区分6/4/2016和5/6/2016的。然而，我希望事实上日期是按升序排列的，实际的数据集分布在一年多的时间里，一定有办法弄明白的。有没有人知道一个函数，可以使意义的格式给定的事实，日期是升序？
编辑2：2个月的样本：-2016年4月和5月。请注意，没有模式。因此，请不要根据以下数据的模式提出任何解决方案。
2016年4月1日2016年4月1日2016年4月3日2016年4月3日2016年3月4日2016年4月4日2016年4月5日2016年4月5日2016年4月7日2016年4月7日2016年4月8日2016年4月8日2016年4月14日2016年4月16日2016年6月4日2016年8月4日2016年11月4日2016年11月4日2016年11月4日2016年11月4日2016年11月4日2016年12月4日2016年12月4日2016年13月4日2016年13月4日2016年13月4日2016年13月4日2016年14月4日2016年15月4日2016年16月4日2016年16月4日2016年18月4日2016年18月4日2016年19月4日2016年19月4日2016年20月4日2016年21月4日2016年21月4日2016年22月4日2016年23月4日2016年23月4日25月4日2016年25月4日2016年26月4日2016年26月4日2016年26月4日2016年26月4日2016年26月4日2016年29月4日2016年29月4日2016年30月4日2016年2月5日2016年2月5日2016年3月5日2016年3月5日2016年3月5日2016年3月5日2016年4月5日2016年5月4日2016年5月4日2016年6月5日2016年6月5日2016年7月5日2016年7月5日2016年9月5日2016年9月5日2016年9月5日2016年9月5日2016年10月5日2016年10月5日2016年11月5日2016年11月5日2016年12月5日2016年5月13日2016年5月14日2016年5月15日2016年5月16日2016年5月16日2016年5月16日2016年5月16日2016年5月16日2016年5月16日2016年5月16日2016年5月16日2016年5月17日2016年5月17日2016年5月18日2016年5月18日2016年5月19日2016年5月20日2016年5月20日2016年5月20日2016年5月20日2016年5月21日2016年5月23日2016年5月23日2016年5月23日2016年5月23日2016年5月23日2016年5月23日2016年5月24日2016年5月24日2016年5月25日2016年5月26日2016年5月26日2016年5月27日2016年5月27日2016年5月27日2016年5月27日2016年5月27日2016年5月27日2016年5月28日2016年5月30日
1条答案
按热度按时间g6ll5ycj1#
真实的的问题是数据集中有不明确的日期（如果可以的话，您会将其解析为mm/dd/yyyy还是dd/mm/yyyy？）（我一直在这里，我们决定只选择看起来占大多数的日期;从本质上说，数据集已被破坏......我们不得不将其视为此类数据）。
如果它是一个Series，那么使用
pd.to_datetime进行处理似乎可以：注意：如果您有一个一致的格式，您可以显式地传递它：