Я пытаюсь прочитать и построить несколько файлов, которые выглядят следующим образом, когда я открываю их с помощью Python, используя pandas read.table. Столбцы для построения – это “dev” против метки времени.

Метка времени должна состоять из столбцов: mm dd,time и yyyy.

    mm dd time yyyy dev st fault typ
0   Jul 5 2:48:29 2018 aaa STANDBY HRW_FAULT neg
1   Jul 5 2:48:29 2018 aaa  SOFT SWF_FAULT  ack
2   Jul 5 2:48:29 2018 aaa HARDWARE  disable
3   Jul 5 2:50:47 2018 bbb STANDBY HRW_FAULT pos

……………

df['DateTime'] = df[['Year', 'Month', 'Day', 'Hour']].apply(lambda s : datetime.datetime(*s),axis = 1)

Это может вызвать ошибку в зависимости от того, правильно ли определен час, как это должно быть в пределах 0-23, секунды – в пределах 0-59 и т.д…

Или попробуйте это

Вы можете передать только столбцы, которые вам нужно собрать.

In [33]: pd.to_datetime(df[['year', 'month', 'day']])
Out[33]: 
0   2015-02-04
1   2016-03-05
dtype: datetime64[ns

]

Согласно документации,

pd.to_datetime ищет стандартные обозначения компонента даты и времени в названиях столбцов, включая:

• обязательные: год, месяц, день
• необязательные: час, минута, секунда, миллисекунда, микросекунда, наносекунда

Также другой подход заключается в том, что поскольку это, вероятно, файл .csv, вы можете сделать это во время чтения/разбора самого файла, pandas очень интеллектуален и интересен!

Это делается путем передачи имен столбцов в качестве list([год, месяц, день, время]) параметру parse_dates, или через infer_datetime_format в True, или с использованием пользовательского date_parser в функции pd.read_csv()>…

Надеюсь, это поможет!

Ответ @Aditya уже очень хорош. Я просто хочу предложить альтернативу.

Мы можем считать, что pandas pd.to_datetime имеет встроенный парсер, который может принимать на вход строку даты и времени. Мы можем конструировать эти строки, чтобы они выглядели как стандартные

5/JUl/2018 T2:48:29

Этот формат является стандартным и хорошо распознается pandas.

Следующий dataframe

data = {'mm': ['JUl', 'Jul', 'Jul', 'Jul'],
        'dd': ['5', '5', '5', '5'],
        'time': ['2:48:29', '2:48:29', '2:48:29', '2:50:47'],
        'yyyy': ['2018', '2018', '2018', '2018']}
df = pd.DataFrame(data)

Мы можем получить желаемый столбец, сделав

df['formatted_datetime'] = pd.to_datetime(df['dd'] + "https://datascience.stackexchange.com/" + df['mm'] + "https://datascience.stackexchange.com/" + df['yyyy'] + ' T' + df['time'])

Мы также можем проверить типы, используя

df.dtypes

dd object
mm
object
time object
yyyy
object
formatted_datetime datetime64[ns]
dtype: object

Построение столбцов

Вы заметите, что когда вы пытаетесь построить этот df, вы получите ошибку, это происходит потому, что matplotlib не может обрабатывать объекты времени в своей функции построения. У них есть альтернативная функция plot_date, которую можно использовать следующим образом

plt.plot_date(df['formatted_datetime'], df['dev'])
plt.show()

Например, мы воссоздадим те же данные, что и выше, также с столбцом dev. Мы сделаем то же преобразование типа для даты и времени.

data = {'mm': ['JUl', 'Jul', 'Jul', 'Jul'],
        'dd': ['5', '5', '5', '5'],
        'time': ['2:48:29', '2:48:29', '2:48:29', '2:50:47'],
        'yyyy': ['2018', '2018', '2018', '2018'],
        'dev': ['aaa', 'aaa', 'aaa', 'bbb']}

df = pd.DataFrame(data)
df['formatted_datetime'] = pd.to_datetime(df['dd'] + "https://datascience.stackexchange.com/" + df['mm'] + "https://datascience.stackexchange.com/" + 
                                          df['yyyy'] + ' T' + df['time'])

Теперь мы конвертируем категориальное значение dev в числовые значения, мы также будем отслеживать это преобразование, чтобы мы могли установить их на отметках по оси y.

df['dev'] =df['dev'].astype('category')
categorie_codes = dict(enumerate(df['dev'].cat.categories))
df['dev'] =df['dev'].cat.codes

Затем мы можем построить

plt.plot_date(df['formatted_datetime'], df['dev'])
plt.yticks(range(len(categorie_codes)), list(categorie_codes.values()))
plt.show()