Python Pandas: suportando 25 horas no índice de data e hora
Eu quero usar uma data/hora como um índice para um dataframe em Pandas.
No entanto, o horário de verão não é tratado corretamente no banco de dados, portanto, os valores de data/hora para o dia em que o horário de verão termina têm 25 horas e são representados como tal:
2019102700
2019102701
...
2019102724
Estou usando o seguinte código para converter esses valores em um DateTime
objeto que uso como índice para um dataframe do Pandas:
df.index = pd.to_datetime(df["date_time"], format="%Y%m%d%H")
No entanto, isso dá um erro:
ValueError: unconverted data remains: 4
Presumivelmente porque a to_datetime
função não espera que a hora seja 24
. Da mesma forma, o dia em que começa o horário de verão tem apenas 23 horas.
Uma solução que pensei foi armazenar as datas como strings, mas isso não parece nem elegante nem eficiente. Existe alguma maneira de resolver o problema de lidar com o horário de verão ao usar to_datetime
?
Respostas
Se você conhece o fuso horário, aqui está uma maneira de calcular os timestamps UTC. Analise apenas a parte da data, localize o fuso horário real ao qual os dados "pertencem" e converta-os em UTC. Agora você pode analisar a parte da hora e adicioná-la como um delta de tempo - por exemplo
import pandas as pd
df = pd.DataFrame({'date_time_str': ['2019102722','2019102723','2019102724',
'2019102800','2019102801','2019102802']})
df['date_time'] = (pd.to_datetime(df['date_time_str'].str[:-2], format='%Y%m%d')
.dt.tz_localize('Europe/Berlin')
.dt.tz_convert('UTC'))
df['date_time'] += df['date_time_str'].str[-2:].astype('timedelta64[h]')
# df['date_time']
# 0 2019-10-27 20:00:00+00:00
# 1 2019-10-27 21:00:00+00:00
# 2 2019-10-27 22:00:00+00:00
# 3 2019-10-27 23:00:00+00:00
# 4 2019-10-28 00:00:00+00:00
# 5 2019-10-28 01:00:00+00:00
# Name: date_time, dtype: datetime64[ns, UTC]
Não tenho certeza se é a solução mais elegante ou eficiente, mas eu:
df.loc[df.date_time.str[-2:]=='25', 'date_time'] = (pd.to_numeric(df.date_time[df.date_time.str[-2:]=='25'])+100-24).apply(str)
df.index = pd.to_datetime(df["date_time"], format="%Y%m%d%H")