Extraer el primer día del mes de una columna de tipo datetime en pandas

Tengo el siguiente dataframe:

user_id purchase_date 1 2015-01-23 14:05:21 2 2015-02-05 05:07:30 3 2015-02-18 17:08:51 4 2015-03-21 17:07:30 5 2015-03-11 18:32:56 6 2015-03-03 11:02:30 

y purchase_date es una columna datetime64[ns] . Necesito agregar una nueva columna df[month] que contenga el primer día del mes de la fecha de compra:

 df['month'] 2015-01-01 2015-02-01 2015-02-01 2015-03-01 2015-03-01 2015-03-01 

Estoy buscando algo como DATE_FORMAT(purchase_date, "%Y-%m-01") m en SQL. He intentado el siguiente código:

  df['month']=df['purchase_date'].apply(lambda x : x.replace(day=1)) 

Funciona de alguna manera pero regresa: 2015-01-01 14:05:21 .

Más simple y rápido se convierte a numpy array por values y luego se convierte:

 df['month'] = df['purchase_date'].values.astype('datetime64[M]') print (df) user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

Otra solución con floor y pd.offsets.MonthBegin(0) :

 df['month'] = df['purchase_date'].dt.floor('d') - pd.offsets.MonthBegin(1) print (df) user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

 df['month'] = (df['purchase_date'] - pd.offsets.MonthBegin(1)).dt.floor('d') print (df) user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

La última solución es crear un month period por to_period :

 df['month'] = df['purchase_date'].dt.to_period('M') print (df) user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01 1 2 2015-02-05 05:07:30 2015-02 2 3 2015-02-18 17:08:51 2015-02 3 4 2015-03-21 17:07:30 2015-03 4 5 2015-03-11 18:32:56 2015-03 5 6 2015-03-03 11:02:30 2015-03 

… y luego a los to_timestamp datetimes por to_timestamp , pero es un poco más lento:

 df['month'] = df['purchase_date'].dt.to_period('M').dt.to_timestamp() print (df) user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

Hay muchas soluciones, así que:

Tiempos :

 rng = pd.date_range('1980-04-03 15:41:12', periods=100000, freq='20H') df = pd.DataFrame({'purchase_date': rng}) print (df.head()) In [300]: %timeit df['month1'] = df['purchase_date'].values.astype('datetime64[M]') 100 loops, best of 3: 9.2 ms per loop In [301]: %timeit df['month2'] = df['purchase_date'].dt.floor('d') - pd.offsets.MonthBegin(1) 100 loops, best of 3: 15.9 ms per loop In [302]: %timeit df['month3'] = (df['purchase_date'] - pd.offsets.MonthBegin(1)).dt.floor('d') 100 loops, best of 3: 12.8 ms per loop In [303]: %timeit df['month4'] = df['purchase_date'].dt.to_period('M').dt.to_timestamp() 1 loop, best of 3: 399 ms per loop #MaxU solution In [304]: %timeit df['month5'] = df['purchase_date'].dt.normalize() - pd.offsets.MonthBegin(1) 10 loops, best of 3: 24.9 ms per loop #MaxU solution 2 In [305]: %timeit df['month'] = df['purchase_date'] - pd.offsets.MonthBegin(1, normalize=True) 10 loops, best of 3: 28.9 ms per loop #Wen solution In [306]: %timeit df['month6']= pd.to_datetime(df.purchase_date.astype(str).str[0:7]+'-01') 1 loop, best of 3: 214 ms per loop 

Podemos usar el desplazamiento de fecha junto con Series.dt.normalize :

 In [60]: df['month'] = df['purchase_date'].dt.normalize() - pd.offsets.MonthBegin(1) In [61]: df Out[61]: user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

O una solución mucho mejor de @BradSolomon

 In [95]: df['month'] = df['purchase_date'] - pd.offsets.MonthBegin(1, normalize=True) In [96]: df Out[96]: user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

Prueba esto ..

 df['month']=pd.to_datetime(df.purchase_date.astype(str).str[0:7]+'-01') Out[187]: user_id purchase_date month 0 1 2015-01-23 14:05:21 2015-01-01 1 2 2015-02-05 05:07:30 2015-02-01 2 3 2015-02-18 17:08:51 2015-02-01 3 4 2015-03-21 17:07:30 2015-03-01 4 5 2015-03-11 18:32:56 2015-03-01 5 6 2015-03-03 11:02:30 2015-03-01 

Para mí df['purchase_date'] - pd.offsets.MonthBegin(1) no funcionó (falla el primer día del mes), así que estoy restando los días del mes como este:

 df['purchase_date'] - pd.to_timedelta(df['purchase_date'].dt.day - 1, unit='d') 

@Eyal: Esto es lo que hice para obtener el primer día del mes usando pd.offsets.MonthBegin y manejar el escenario donde el día ya es el primer día del mes.

 import datetime from_date= pd.to_datetime('2018-12-01') from_date = from_date - pd.offsets.MonthBegin(1, normalize=True) if not from_date.is_month_start else from_date from_date 

resultado: Timestamp('2018-12-01 00:00:00')

 from_date= pd.to_datetime('2018-12-05') from_date = from_date - pd.offsets.MonthBegin(1, normalize=True) if not rom_date.is_month_start else from_date from_date 

resultado: Timestamp('2018-12-01 00:00:00')