昨天我們已經成功把股票資料轉成 pandas DataFrame，並且能存成 CSV 檔案。今天的重點，是解決「日期格式」的問題。

雖然 twstock 幫我們抓到的日期欄位看起來像 2025-09-01 這樣的文字，但對程式來說，它還只是「字串 (String)」，而不是可以用來做時間運算的「日期物件」。這會造成一個嚴重的問題：排序會錯誤。

日期轉換的核心程式碼

只要一行，就能把字串轉換成日期時間物件：

df['Date'] = pd.to_datetime(df['Date'])

為什麼要轉換日期？

很多人第一次跑完會疑惑：CSV 裡的日期文字看起來都一樣啊，為什麼要特別轉型？
關鍵是 —— 改變發生在程式內部，而不是 CSV 外觀。
簡單來說：

• twstock 抓回來的日期其實是「文字」。
• pd.to_datetime() 告訴程式：這些不是字串，而是真正的日期。
• 轉換後，df.sort_values(by='Date', ascending=False) 就能正確把最新日期排在最前面。
• 存檔時，df.to_csv() 會把日期物件轉回標準 YYYY-MM-DD 文字格式，所以看起來沒變，但排序正確了。

範例程式碼

import twstock
import pandas as pd

stock = twstock.Stock('2330')

df = pd.DataFrame({
    'Date': stock.date,
    'Close': stock.close,
    'Volume': stock.capacity
})

#把 Date 欄位轉換成 datetime
df['Date'] = pd.to_datetime(df['Date'])

#按日期排序（最新 → 最舊）
df = df.sort_values(by='Date', ascending=False)

df.to_csv('2330_stock.csv', index=False)

print(df.dtypes)
print(df.head())

常見用法與技巧

• 直接在讀檔時解析日期

df = pd.read_csv('2330_stock.csv', parse_dates=['Date'])

• 指定格式（效率更快、避免誤判）

pd.to_datetime(df['Date'], format='%Y-%m-%d')

• 遇到錯誤格式時轉成 NaT

pd.to_datetime(df['Date'], errors='coerce')

• 設為時間索引（方便做時間序列分析）

df = df.set_index('Date').sort_index()

延伸操作（把日期「拆解」出來）

一旦轉換成 datetime，就能輕鬆拆解出各種時間資訊：

df['Year'] = df['Date'].dt.year
df['Month'] = df['Date'].dt.month
df['Weekday'] = df['Date'].dt.day_name()

結果：

Date	Close	Volume	Year	Month	Weekday
2025-09-18	590	...	2025	9	Thursday

總結

• 轉換前：日期只是字串，排序錯誤。
• 轉換後：日期是 datetime，可以正確排序、索引、做時間序列運算。

CSV 看起來沒變：因為寫檔時仍輸出成 YYYY-MM-DD 文字，但順序是根據正確的時間計算出來的。
那今天就先這樣。