Отключить базу данных Heroku Postgres

Метод pandas read_csv отлично подходит для парсинга. Полная документация на http://pandas.pydata.org/pandas-docs/stable/generated/pandas.io.parsers.read_csv.html

, вы можете даже иметь разные даты в разных столбцах и передать параметр:

parse_dates : boolean, list of ints or names, list of lists, or dict
If True -> try parsing the index. If [1, 2, 3] -> try parsing columns 1, 2, 3 each as a
separate date column. If [[1, 3]] -> combine columns 1 and 3 and parse as a single date
column. {‘foo’ : [1, 3]} -> parse columns 1, 3 as date and call result ‘foo’

По умолчанию чувствительность дат отлично работает, но, похоже, она предвзято относится к форматам даты в северной Америке. Если вы живете в другом месте, вы иногда можете быть пойманы результатами. Насколько я помню, 1/6/2000 означает 6 января в США, а не 1 июня, где я живу. Он достаточно умен, чтобы качать их, если используются даты, такие как 23/6/2000. Вероятно, безопаснее оставаться с вариантами даты YYYYMMDD. Извинитесь за разработчиков pandas, но я не тестировал его с локальными датами в последнее время.

вы можете использовать параметр date_parser для передачи функции для преобразования вашего формата.

date_parser : function
Function to use for converting a sequence of string columns to an array of datetime
instances. The default uses dateutil.parser.parser to do the conversion.