【Python】日付型データから年・月・日を取り出す方法｜datetime

日付型から年月日を取り出す

Pythonの日付型のデータから年・月・日のみを抽出する方法をご紹介します

日付型のデータとは「2020-1-1」のように年月日がひとかたまりになったデータを指します

その日付型のデータから、数値型として「1月」などの「月」部分のみを抽出することで、「年」ごとの違いなどを分析することができます

年月日よりも細かい単位

Pythonの日付型データには日よりも細かい、「時間」「分」「秒」「ミリ秒」まで設定することができ、もちろんそれごとに抽出することができます

どうして年月日のみを取り出すのか？

日付型のデータから年・月・日のみを取り出すことのメリットは、データ分析による比較ができることです

連続した日付のデータでは見えてこない傾向を、細かく区切ることによって明確化します

例えば、東京都の平均気温のデータを「日付型：2020-1-1」と「月：1」にそれぞれ分けてグラフ化してみます

まずは日付型の連続データを可視化していますが、日付の大まかな流れを見るのには最適です

続いて「月」に区切って「年」ごとのデータを取り出して加工し、グラフ化します

8月の平均気温が最も高いことが分かります

このように日付型のデータを「年月日」ごとに分けることで、より示唆の出やすいデータ加工を実施することができます

事前準備

事前にpandasとdatetimeをインポートしておきます

import pandas
import datetime

※サンプルデータ：東京都の気温

年月日を取り出す方法

Pythonで日付型のデータから年月日を取り出すにはdatetimeをインポートしておき、

year・month・dayを利用します

① 年を取り出す（year）

df['日付'].dt.year

頭にdtを付け、yearを記載すると日付の「年」のみを取り出すことができます

② 月を取り出す（month）

df['日付'].dt.month

monthを使うと「月」のみを取り出すことができます

③ 日を取り出す（day）

df['日付'].dt.month

dayを使うと「日」のみを取り出すことができます

※DataFrameに格納

df['year'] = df['日付'].dt.year
df['month'] = df['日付'].dt.month
df['day'] = df['日付'].dt.day

それぞれ抽出した「年・月・日」をDataFrameに格納します

df['year'] = df['日付'].dt.year
df['month'] = df['日付'].dt.month
df['day'] = df['日付'].dt.day

④ 時間・分・秒・ミリ秒を取り出す

df['hour'] = df['日付'].dt.hour 
df['minute'] = df['日付'].dt.minute
df['second'] = df['日付'].dt.second
df['microsecond'] = df['日付'].dt.microsecond

df['hour'] = df['日付'].dt.hour
df['minute'] = df['日付'].dt.minute
df['second'] = df['日付'].dt.second
df['microsecond'] = df['日付'].dt.microsecond

「年月日」より細かい単位を取り出すにはそれぞれhour・minute・second・microsecondを指定します

※今回は「日」までしかデータが無いため全て「0」となっています

⑤ strftimeを利用して柔軟に抽出する

strftimeを利用して「年月日」を抽出することも可能です

少しクセがありますが「書式」を理解してしまえば、こちらの方が柔軟に日付からデータを取り出すことができます

例えば「年-月」という形式を取得します

df['日付'].dt.strftime('%Y-%m')

4桁の年を表す%Yと2桁の月を表す%mを「-」ハイフンでつないでいます

日付の項目ごとに書式が存在しているため、できれば覚えてみてください

日付の書式一覧を見てみる

書式	内容	例
%Y	西暦4桁	1999, 2000, 2001, 2002 … 2025
%y	西暦2桁	99, 00, 01, 02 … 25
%m	月2桁	01, 02, 03, 04, 05 … 12
%b	英語の月（省略）	Jan, Feb, … Dec
%B	英語の月（フル）	January, February, … December
%d	日2桁	01, 02, 03, 04, 05 … 31
%H	時 24時間	00, 01, 02, 03, 04 … 23
%I	時 12時間	00, 01, 02, 03, 04 … 12
%p	AM、PM	AM, PM , am , pm
%M	分2桁	00, 01, 02, 03, 04 … 59
%S	秒2桁	00, 01, 02, 03, 04 … 59
%A	曜日名	Sunday, Monday … Saturday
%a	曜日名（短縮形）	Sun, Mon … Sat

⑥ 曜日を取り出す

曜日を取り出すには少し工夫が必要です

yearのようなオブジェクトとしてweekdayも存在しますが、「月曜日を0」「日曜日を6」として、曜日を整数で取り出されてしまいます

df['日付'].dt.weekday

これは不便なので⑤で紹介しているstrftime を利用します

書式は%Aか%aを利用します

df['日付'].dt.strftime('%A')

日付を利用してデータ分析をする

応用編として「年月日」を利用してデータ分析をしてみます

売上などを分析する際、日付は非常に有益な情報になります

人の行動は「月」や「曜日」に左右されやすいためです

2018年~2020年までの平均気温で調査してみます

まずは日付をそのままグラフ化

df.pivot_table(index='日付',values='平均気温').plot()

df.pivot_table(index='日付',values='平均気温').plot()

pivot_tableを使って一部データを加工した後で、グラフ化します

2021-04-29【Python】Pythonピボットテーブルを完全攻略｜pivot_table

続いて月ごとにグラフ化

df['month'] = df['日付'].dt.month
df.pivot_table(index='month',values='平均気温').plot.bar()

df.pivot_table(index='month',values='平均気温').plot.bar()

monthを日付から取り出して、「月」ごとの平均気温を算出し可視化しています

月ごとに3年を比較する

df['year'] = df['日付'].dt.year
df['month'] = df['日付'].dt.month
df.pivot_table(index='month',columns='year',values='平均気温').plot.bar())

df.pivot_table(index='month',columns='year',values='平均気温').plot.bar())

yearとmonthを日付から取り出して、「月」ごとに「年」の平均気温を算出しました

2018年の東京都の気温が例年より高かったのが分かります

またヒートマップを使って可視化もできます

import seaborn as sns
df_year_month = df.pivot_table(index='month',columns='year',values='平均気温')
sns.heatmap(df_year_month,annot=True,cmap='coolwarm')