{"id":4900,"date":"2026-10-14T18:01:19","date_gmt":"2026-10-14T18:01:19","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-extraire-le-mois-d-une-date-dans-pandas-avec-exemples\/"},"modified":"2026-10-14T18:01:19","modified_gmt":"2026-10-14T18:01:19","slug":"comment-extraire-le-mois-d-une-date-dans-pandas-avec-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-extraire-le-mois-d-une-date-dans-pandas-avec-exemples","title":{"rendered":"Comment extraire le mois d’une date dans Pandas (avec exemples)"},"content":{"rendered":"

L’analyse des s\u00e9ries temporelles constitue l’un des piliers fondamentaux de la science des donn\u00e9es moderne, irriguant aussi bien les sciences \u00e9conomiques que la mod\u00e9lisation climatique, le marketing quantitatif ou la logistique industrielle. Au sein de cet \u00e9cosyst\u00e8me analytique, la biblioth\u00e8que Pandas<\/a> pour le langage Python s’est impos\u00e9e comme le standard incontournable pour la manipulation, la transformation et le nettoyage des donn\u00e9es tabulaires. N\u00e9anmoins, l’efficacit\u00e9 d’une \u00e9tude longitudinale repose tr\u00e8s souvent sur la capacit\u00e9 du praticien \u00e0 d\u00e9sagr\u00e9ger un horodatage complexe en dimensions temporelles \u00e9l\u00e9mentaires et directement interpr\u00e9tables.<\/p>\n

L’extraction du mois \u00e0 partir d’une variable de type date repr\u00e9sente, \u00e0 cet \u00e9gard, une op\u00e9ration \u00e9l\u00e9mentaire mais extraordinairement r\u00e9currente dans les processus d’ing\u00e9nierie des variables (feature engineering<\/em>). Qu’il s’agisse d’\u00e9valuer la saisonnalit\u00e9 des ventes au d\u00e9tail, de mesurer l’impact des cycles budg\u00e9taires d’entreprises ou de construire des regroupements statistiques coh\u00e9rents, l’isolation de la composante mensuelle conditionne la pertinence des mod\u00e9lisations subs\u00e9quentes. Malgr\u00e9 son apparente simplicit\u00e9 syntaxique, cette t\u00e2che confronte fr\u00e9quemment les analystes \u00e0 des probl\u00e9matiques sous-jacentes complexes : h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des types primitifs, gestion des horodatages corrompus ou lacunaires, surco\u00fbts computationnels li\u00e9s \u00e0 des it\u00e9rations malavis\u00e9es et disparit\u00e9s de conventions de formatage.<\/p>\n

Cet article propose une exploration m\u00e9thodique, exhaustive et rigoureuse des paradigmes d’extraction du mois sous Pandas. En articulant th\u00e9orie de la structure de donn\u00e9es et applications pratiques, nous examinerons successivement les fondements conceptuels des objets temporels, l’utilisation de l’index pd.DatetimeIndex<\/code> et de l’accesseur vectoris\u00e9 Series.dt<\/code>, la gestion des formats num\u00e9riques ou textuels, la cohabitation avec les valeurs manquantes, ainsi que l’impact critique de ces op\u00e9rations sur les performances \u00e0 grande \u00e9chelle. Cette synth\u00e8se s’adresse aux ing\u00e9nieurs de donn\u00e9es, analystes et chercheurs d\u00e9sireux d’asseoir leurs traitements temporels sur des bases algorithmiques optimales et reproductibles.<\/p>\n

1. Introduction aux structures temporelles et extraction de composantes dans Pandas<\/h2>\n

1.1 La place des s\u00e9ries chronologiques dans l’analyse de donn\u00e9es<\/h3>\n

Dans le paradigme contemporain de l’analyse exploratoire et pr\u00e9dictive, la variable temporelle occupe une fonction structurante. Contrairement \u00e0 des attributs cat\u00e9goriels statiques, les horodatages portent en eux une continuit\u00e9 vectorielle et un ordre intrins\u00e8que qui dictent la dynamique des syst\u00e8mes observ\u00e9s. Les mod\u00e8les \u00e9conom\u00e9triques, tels que les processus autor\u00e9gressifs int\u00e9gr\u00e9s \u00e0 moyenne mobile (ARIMA) ou les architectures d’apprentissage profond d\u00e9di\u00e9es aux s\u00e9quences, d\u00e9pendent intimement de la d\u00e9composition des signaux temporels en tendances s\u00e9culaires, fluctuations cycliques et variations saisonni\u00e8res.<\/p>\n

Or, pour appr\u00e9hender ces composantes de mani\u00e8re fine, l’observateur ne peut se contenter d’un enregistrement brut combinant de mani\u00e8re monolithique l’ann\u00e9e, le mois, le jour, l’heure et les fractions de seconde. Une date compl\u00e8te synth\u00e9tise une multiplicit\u00e9 d’\u00e9chelles de temps qui doivent \u00eatre d\u00e9sagr\u00e9g\u00e9es pour devenir exploitables. La dimension mensuelle s’av\u00e8re particuli\u00e8rement strat\u00e9gique, car elle correspond \u00e0 l’unit\u00e9 de r\u00e9f\u00e9rence administrative, financi\u00e8re et m\u00e9t\u00e9orologique par excellence. C’est \u00e0 l’\u00e9chelle du mois que se mesurent les cl\u00f4tures comptables, les variations de la consommation des m\u00e9nages et les oscillations saisonni\u00e8res moyennes, faisant de l’extraction de cette granularit\u00e9 un pr\u00e9alable analytique indispensable.<\/p>\n

1.2 Pr\u00e9sentation de la probl\u00e9matique d’extraction mensuelle<\/h3>\n

La d\u00e9composition d’un horodatage pour en extraire le mois soul\u00e8ve une s\u00e9rie de d\u00e9fis techniques souvent sous-estim\u00e9s lors des phases exploratoires. La principale difficult\u00e9 r\u00e9side dans la variabilit\u00e9 morphologique des donn\u00e9es brutes issues des syst\u00e8mes transactionnels ou des lacs de donn\u00e9es. Les dates peuvent \u00eatre stock\u00e9es sous forme de cha\u00eenes de caract\u00e8res arbitraires, d’entiers num\u00e9riques repr\u00e9sentant des \u00e9poques POSIX, ou d’objets hybrides d\u00e9pourvus d’informations de fuseau horaire explicites. Dans une telle h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9, isoler le mois n\u00e9cessite d’abord une conversion rigoureuse vers un format typ\u00e9 et structur\u00e9.<\/p>\n

De surcro\u00eet, la nature m\u00eame de la dimension mensuelle impose des choix de repr\u00e9sentation analytique. Le mois doit-il \u00eatre encod\u00e9 comme un entier ordinal compris entre 1 et 12, garantissant une compatibilit\u00e9 arithm\u00e9tique imm\u00e9diate, ou sous la forme d’un libell\u00e9 textuel pour des imp\u00e9ratifs de visualisation et de communication d\u00e9cisionnelle ? La transition conceptuelle d’une cha\u00eene scalaire vers un objet temporel multidimensionnel implique la ma\u00eetrise des m\u00e9canismes internes du moteur de Pandas, afin d’\u00e9viter les incoh\u00e9rences de segmentation statistique et les ruptures d’alignement lors des jointures de tables.<\/p>\n

1.3 Vue d’ensemble des m\u00e9thodes disponibles dans l’\u00e9cosyst\u00e8me Python<\/h3>\n

L’\u00e9cosyst\u00e8me open-source articul\u00e9 autour du langage Python propose plusieurs strat\u00e9gies pour r\u00e9pondre \u00e0 cette probl\u00e9matique. D’une part, les modules standards tels que datetime<\/code> et time<\/code> offrent des approches scalaires imp\u00e9ratives. Bien qu’\u00e9l\u00e9gantes pour des scripts l\u00e9gers, ces fonctions natives r\u00e9v\u00e8lent des limitations r\u00e9dhibitoires d\u00e8s lors qu’elles sont appliqu\u00e9es de mani\u00e8re na\u00efve \u00e0 des millions d’enregistrements, provoquant des goulots d’\u00e9tranglement majeurs dus au co\u00fbt d’interpr\u00e9tation de la machine virtuelle.<\/p>\n

D’autre part, la biblioth\u00e8que Pandas encapsule la puissance calculatoire de NumPy<\/a> pour fournir deux grandes abstractions vectoris\u00e9es : l’instanciation explicite d’un pd.DatetimeIndex<\/code> et l’usage idiomatique de l’accesseur Series.dt<\/code>. Ces interfaces permettent d’appliquer des op\u00e9rations optimis\u00e9es en langage C sur l’ensemble d’un vecteur de donn\u00e9es temporelles, sans avoir recours \u00e0 des boucles Python explicites. La compr\u00e9hension comparative de ces deux approches constitue le socle technique sur lequel repose tout traitement de donn\u00e9es volumineuses et performant.<\/p>\n

2. Pr\u00e9requis techniques et pr\u00e9paration de l’environnement de travail<\/h2>\n

2.1 Configuration des biblioth\u00e8ques fondamentales<\/h3>\n

Pour assurer la p\u00e9rennit\u00e9 algorithmique et la reproductibilit\u00e9 absolue des exp\u00e9rimentations pr\u00e9sent\u00e9es dans cette \u00e9tude, la mise en place d’un environnement Python standardis\u00e9 s’av\u00e8re indispensable. L’installation conjointe des biblioth\u00e8ques Pandas et NumPy via le gestionnaire de paquets officiel garantit l’acc\u00e8s aux optimisations bas niveau des calculs matriciels. Il est vivement conseill\u00e9 de travailler dans des environnements virtuels d\u00e9di\u00e9s afin d’isoler les d\u00e9pendances logicielles et de pr\u00e9venir les conflits de versions entre paquets tiers.<\/p>\n

Au-del\u00e0 de la simple installation, la configuration des options globales du moteur d’affichage de Pandas permet une inspection granulaire des structures temporelles. Par l’interm\u00e9diaire de commandes de param\u00e9trage telles que pd.set_option('display.max_columns', None)<\/code> et l’ajustement du format d’affichage des dates, l’analyste s’assure d’une lisibilit\u00e9 maximale lors de l’examen des colonnes nouvellement instanci\u00e9es, \u00e9cartant ainsi tout biais d’interpr\u00e9tation li\u00e9 \u00e0 une troncature visuelle de la table de donn\u00e9es.<\/p>\n

2.2 Typage des donn\u00e9es : objets cha\u00eene versus formats datetime<\/h3>\n

L’une des sources d’erreurs les plus courantes lors du traitement des dates r\u00e9side dans la confusion entre le type g\u00e9n\u00e9rique object<\/code> et le type natif optimis\u00e9 datetime64[ns]<\/code>. Lorsqu’un fichier au format CSV ou JSON est charg\u00e9 en m\u00e9moire sans consigne explicite, les colonnes contenant des dates sont quasi syst\u00e9matiquement interpr\u00e9t\u00e9es comme des s\u00e9quences de cha\u00eenes de caract\u00e8res textuelles. Dans cette configuration, toute tentative d’interrogation directe d’une propri\u00e9t\u00e9 temporelle d\u00e9clenchera in\u00e9vitablement une lev\u00e9e d’exception.<\/p>\n

Le type datetime64[ns]<\/code> stocke chaque instant sous la forme d’un entier sign\u00e9 de 64 bits repr\u00e9sentant le nombre de nanosecondes \u00e9coul\u00e9es depuis l’\u00e9poque UNIX du 1er janvier 1970. Cette repr\u00e9sentation interne compacte permet non seulement une \u00e9conomie drastique de la m\u00e9moire vive, mais autorise \u00e9galement des op\u00e9rations arithm\u00e9tiques et des extractions de sous-composantes \u00e0 une vitesse inaccessible aux cha\u00eenes de caract\u00e8res. L’inspection pr\u00e9alable des types \u00e0 l’aide de l’attribut dtypes<\/code> d’un DataFrame constitue d\u00e8s lors une \u00e9tape d’audit obligatoire avant toute manipulation temporelle.<\/p>\n

2.3 Construction d’un jeu de donn\u00e9es de r\u00e9f\u00e9rence pour l’\u00e9tude<\/h3>\n

Afin d’ancrer les d\u00e9monstrations dans une r\u00e9alit\u00e9 applicative concr\u00e8te, nous initialisons un DataFrame repr\u00e9sentatif d’une activit\u00e9 de commerce \u00e9lectronique. Ce jeu de donn\u00e9es synth\u00e9tique associe des identifiants de transactions, des montants de vente h\u00e9t\u00e9rog\u00e8nes et une s\u00e9rie d’horodatages distribu\u00e9s sur diff\u00e9rents mois et ann\u00e9es, incluant volontairement des singularit\u00e9s calendaires telles que des fins de mois et des ann\u00e9es bissextiles.<\/p>\n

La structure tabulaire initiale est g\u00e9n\u00e9r\u00e9e de fa\u00e7on d\u00e9terministe en utilisant un dictionnaire d’attributs converti via le constructeur pd.DataFrame<\/code>. Ce jeu de donn\u00e9es sert de r\u00e9f\u00e9rentiel immuable tout au long de notre argumentation technique, permettant d’observer en temps r\u00e9el les mutations de colonnes, l’adjonction de variables mensuelles et l’impact de chaque m\u00e9thode syntaxique sur la structure globale des m\u00e9tadonn\u00e9es du tableau.<\/p>\n

3. M\u00e9thode fondamentale : Utilisation de pd.DatetimeIndex<\/h2>\n

3.1 M\u00e9canique interne de DatetimeIndex<\/h3>\n

L’objet pd.DatetimeIndex<\/code> constitue une classe centrale dans l’architecture interne de Pandas. Con\u00e7u initialement pour indexer les s\u00e9ries temporelles le long de l’axe vertical d’un DataFrame, il encapsule un tableau unidimensionnel de scalaires temporels hautement optimis\u00e9s. Lorsqu’une colonne de dates lui est transmise, il ne se contente pas de dupliquer les valeurs ; il les projette dans une structure indicielle dot\u00e9e de m\u00e9tadonn\u00e9es calendaires pr\u00e9-calcul\u00e9es ou accessibles instantan\u00e9ment par masque binaire.<\/p>\n

La puissance de pd.DatetimeIndex<\/code> provient de son interfa\u00e7age direct avec les routines C sous-jacentes de NumPy. L’index g\u00e8re de mani\u00e8re native la fr\u00e9quence, le fuseau horaire et les d\u00e9calages d’\u00e9poque sans surco\u00fbt d’encapsulation. Lorsqu’un analyste instancie un tel index \u00e0 partir d’une colonne existante, il cr\u00e9e une passerelle directe vers un ensemble d’attributs temporels vectoris\u00e9s, parmi lesquels la propri\u00e9t\u00e9 month<\/code> figure au premier plan.<\/p>\n

3.2 Syntaxe de base pour l’extraction du mois<\/h3>\n

L’extraction du mois via pd.DatetimeIndex<\/code> repose sur une formulation syntaxique directe et lisible. En transmettant la s\u00e9rie temporelle cible comme argument du constructeur de l’index, puis en interrogeant imm\u00e9diatement son attribut d\u00e9di\u00e9, l’utilisateur obtient un tableau d’entiers repr\u00e9sentant chaque mois calendaire :<\/p>\n

df['mois_vente'] = pd.DatetimeIndex(df['sales_date']).month<\/code><\/p>\n

Dans cette instruction, la m\u00e9thode convertit implicitement la s\u00e9quence de donn\u00e9es en un index temporel temporaire, dont l’attribut month<\/code> extrait les valeurs comprises entre 1 (pour janvier) et 12 (pour d\u00e9cembre). Cette nouvelle variable est alors assign\u00e9e sans friction \u00e0 une nouvelle colonne du DataFrame. Les types de retour g\u00e9n\u00e9r\u00e9s sont invariablement des entiers non sign\u00e9s ou sign\u00e9s de type int32<\/code> ou int64<\/code>, parfaitement adapt\u00e9s aux op\u00e9rations de filtrage arithm\u00e9tique ult\u00e9rieures.<\/p>\n

3.3 Analyse pas \u00e0 pas du code et inspection des r\u00e9sultats<\/h3>\n

Lors de l’\u00e9valuation de cette commande, le moteur d’ex\u00e9cution proc\u00e8de \u00e0 une s\u00e9rie d’op\u00e9rations s\u00e9quentielles en m\u00e9moire. D’abord, la Series df['sales_date']<\/code> est parcourue au niveau de ses pointeurs m\u00e9moire. Si la s\u00e9rie est d\u00e9j\u00e0 de type datetime64[ns]<\/code>, le constructeur pd.DatetimeIndex<\/code> se contente d’une vue sans copie superficielle (zero-copy view<\/em>), garantissant une allocation m\u00e9moire minimale.<\/p>\n

L’interrogation de l’attribut .month<\/code> applique ensuite une division modulo calendaire vectoris\u00e9e pour d\u00e9river l’ordinal mensuel correspondant \u00e0 chaque horodatage. L’inspection du DataFrame r\u00e9sultant d\u00e9montre une correspondance bijective rigoureuse entre chaque horodatage d’origine et la valeur enti\u00e8re ins\u00e9r\u00e9e dans la colonne cible. Cette m\u00e9thode brille par sa clart\u00e9 conceptuelle, bien qu’elle n\u00e9cessite d’envelopper explicitement la colonne cible dans un constructeur externe, ce qui peut rompre la fluidit\u00e9 d’un pipeline de traitement continu.<\/p>\n

4. Approche alternative et idiomatique : L’accesseur .dt<\/h2>\n

4.1 Fondements th\u00e9oriques de l’accesseur temporel .dt<\/h3>\n

Pour offrir une exp\u00e9rience de programmation fluide et coh\u00e9rente avec les principes de la programmation orient\u00e9e objet, les concepteurs de Pandas ont introduit les accesseurs de s\u00e9ries. De m\u00eame que l’accesseur Series.str<\/code> mutualise les op\u00e9rations textuelles et que Series.cat<\/code> supervise les variables cat\u00e9gorielles, l’accesseur Series.dt<\/code> centralise l’ensemble des fonctionnalit\u00e9s relatives aux dimensions calendaires et temporelles.<\/p>\n

Th\u00e9oriquement, l’accesseur .dt<\/code> agit comme une passerelle d’encapsulation (wrapper<\/em>). Il expose les propri\u00e9t\u00e9s et m\u00e9thodes d’un pd.DatetimeIndex<\/code> directement sur une Series<\/code> typ\u00e9e en date, sans contraindre le d\u00e9veloppeur \u00e0 instancier manuellement une nouvelle structure d’index externe. Ce paradigme favorise le respect de la s\u00e9mantique tabulaire : les colonnes demeurent des colonnes, tout en b\u00e9n\u00e9ficiant de la richesse fonctionnelle des index de s\u00e9ries temporelles.<\/p>\n

4.2 Mise en \u0153uvre pratique de Series.dt.month<\/h3>\n

La mise en \u0153uvre de cette m\u00e9thode constitue la pratique la plus idiomatique dans le code Python moderne. \u00c0 condition que la colonne cible ait pr\u00e9alablement \u00e9t\u00e9 convertie au format temporel ad\u00e9quat \u00e0 l’aide de la fonction standard pd.to_datetime<\/code>, l’extraction de la composante mensuelle s’op\u00e8re par une simple notation par point :<\/p>\n

df['sales_date'] = pd.to_datetime(df['sales_date'])<\/code>
\ndf['mois_vente'] = df['sales_date'].dt.month<\/code><\/p>\n

Cette approche \u00e9limine toute ambigu\u00eft\u00e9 syntaxique. L’appel \u00e0 .dt.month<\/code> renvoie une nouvelle Series<\/code> d’entiers parfaitement align\u00e9e sur l’index d’origine du DataFrame h\u00f4te. La compacit\u00e9 de cette syntaxe s’int\u00e8gre harmonieusement dans les environnements de d\u00e9veloppement interactifs comme Jupyter et s’av\u00e8re particuli\u00e8rement lisible lors des revues de code entre pairs.<\/p>\n

4.3 Comparaison structurelle entre DatetimeIndex et .dt<\/h3>\n

Bien que pd.DatetimeIndex(df['col']).month<\/code> et df['col'].dt.month<\/code> produisent des r\u00e9sultats rigoureusement identiques sur le plan arithm\u00e9tique, leurs implications conceptuelles diff\u00e8rent sensiblement. La premi\u00e8re m\u00e9thode traite la s\u00e9rie comme une s\u00e9quence g\u00e9n\u00e9rique transmise \u00e0 une classe indicielle autonome. Elle s’av\u00e8re parfois l\u00e9g\u00e8rement plus directe si la s\u00e9rie d’origine est encore au format cha\u00eene de caract\u00e8res, car le constructeur de l’index int\u00e8gre sa propre logique de parsing temporel.<\/p>\n

En revanche, l’accesseur .dt<\/code> s’int\u00e8gre naturellement dans les paradigmes modernes de cha\u00eenage de m\u00e9thodes (method chaining<\/em>). Dans une s\u00e9quence d’op\u00e9rations impliquant des filtres .query()<\/code>, des r\u00e9assignations .assign()<\/code> et des projections, l’accesseur .dt<\/code> s’av\u00e8re nettement plus expressif :<\/p>\n

df = df.assign(mois=lambda x: x['sales_date'].dt.month)<\/code><\/p>\n

Pour cette raison d’\u00e9l\u00e9gance architecturale et d’alignement avec les standards officiels de Pandas, l’accesseur .dt<\/code> est g\u00e9n\u00e9ralement recommand\u00e9 par la communaut\u00e9 scientifique pour la production de pipelines d’ing\u00e9nierie logicielle p\u00e9rennes.<\/p>\n

5. Extraction sous diff\u00e9rents formats : Mois num\u00e9rique versus textuel<\/h2>\n

5.1 Extraction num\u00e9rique standard (valeurs de 1 \u00e0 12)<\/h3>\n

L’extraction d’un mois sous sa forme num\u00e9rique enti\u00e8re constitue le standard de r\u00e9f\u00e9rence pour la mod\u00e9lisation statistique. Les entiers scalaires compris entre 1 et 12 permettent d’ex\u00e9cuter des s\u00e9lections relationnelles imm\u00e9diates, telles que le filtrage d’un trimestre particulier (par exemple, par le pr\u00e9dicat df['mois'].between(1, 3)<\/code>) ou le calcul d’\u00e9carts temporels simples sans n\u00e9cessiter de dictionnaires de correspondance externes.<\/p>\n

Cependant, dans certaines applications d’exportation vers des syst\u00e8mes financiers ou des bases de donn\u00e9es relationnelles rigides, une repr\u00e9sentation textuelle \u00e0 deux chiffres avec z\u00e9ro initial (zero-padding<\/em>) est imp\u00e9rativement exig\u00e9e (par exemple 01<\/code> pour janvier au lieu de 1<\/code>). Pour obtenir une telle structure sans alt\u00e9rer la coh\u00e9rence du typage, l’analyste peut recourir \u00e0 la m\u00e9thode de formatage vectoris\u00e9 :<\/p>\n

df['mois_padded'] = df['sales_date'].dt.strftime('%m')<\/code><\/p>\n

Cette approche produit une s\u00e9rie de type object<\/code> ou string<\/code>, dont la longueur uniforme garantit une int\u00e9gration harmonieuse dans les identifiants composites, au prix n\u00e9anmoins d’une perte des propri\u00e9t\u00e9s arithm\u00e9tiques pures propres aux types entiers.<\/p>\n

5.2 Conversion en noms de mois complets ou abr\u00e9g\u00e9s avec strftime<\/h3>\n

Dans le cadre de la construction de tableaux de bord d\u00e9cisionnels, de visualisations graphiques via Matplotlib<\/a> ou Seaborn<\/a>, ou de rapports destin\u00e9s aux directions g\u00e9n\u00e9rales, la repr\u00e9sentation num\u00e9rique brute s’av\u00e8re souvent aust\u00e8re. La conversion des ordinaux en d\u00e9signations textuelles compl\u00e8tes ou abr\u00e9g\u00e9es devient alors une exigence ergonomique majeure.<\/p>\n

L’accesseur temporel propose \u00e0 cette fin la m\u00e9thode Series.dt.strftime<\/code>, d\u00e9riv\u00e9e de la fonction classique du langage C standard. En mobilisant des sp\u00e9cificateurs de format formalis\u00e9s, l’analyste pilote avec une pr\u00e9cision absolue la texture du libell\u00e9 extrait :<\/p>\n