将python字符串索引转换为datetime索引

我正在导入一些数据，其中一列表示日期，另一列表示小时。我想把它们合并成一个DateTime列

我用过

df2 = pd.read_csv(csv_file_path,
              parse_dates=[['Date', 'Hour']],
              infer_datetime_format=True)

它回来了

      Date_Hour    Unnamed: 0      Data
0   2018-01-01 0         3         51.29
1   2018-01-01 1         4         43.59    
2   2018-01-01 2         5         93.60    
3   2018-01-01 3         6         54.78    
4   2018-01-01 4         7         14.35

但是列Date_Hour不是DateTime格式，当我尝试转换它时，我得到一个错误

df2.set_index('Date_Hour', inplace=True)
pd.to_datetime(df2.index)

给予

我也尝试过使用

pd.to_datetime(prices.index, format='%y-%m-%d %H')

我导入的数据如下所示

 ,Date,Hour,Data
3,2018-01-01,0,51.29
4,2018-01-01,1,43.59
5,2018-01-01,2,93.60
6,2018-01-01,3,54.78
7,2018-01-01,4,14.35
8,2018-01-01,5,18.60

我希望输出是

                          Data
 Date_Hour
2018-01-01 00:00         51.29
2018-01-01 01:00         43.59  
2018-01-01 02:00         93.60  
2018-01-01 03:00         54.78  
2018-01-01 04:00         14.35

---

在这种特定情况下，小时中缺少的前导

0

是有问题的。您可以避免这种导入，而无需解析到

datetime

，然后在解析到

datetime

之前使用

zfill

：

df2 = pd.read_csv(csv_file_path)
df2.index = pd.to_datetime(df2.Date + df2.Hour.astype(str).str.zfill(2), format='%Y-%m-%d%H')

要在解析后删除

日期

和

小时

列，请执行以下操作：

df2.drop(['Date' ,'Hour'], axis=1, inplace=True)

简短说明：

zfill

将在数字字符串中填充指定字符数的零

---

当然，您也可以为

pd.read\u csv

指定一个

date\u解析器，但是在这种情况下，在阅读csv之后解析日期要清晰得多，而且更像python。
编辑：一些答案大大改进了我的第一次破解。我将不讨论这个问题，因为它在另一个答案中被引用

让我们先将日期设置为datetime类型

df["Date"] = pd.to_datetime(df["Date"], unit="ms")

我们希望增加小时数，因此它们必须是
Timedelta

df["Hour"] = df["Hour"].apply(lambda x: pd.Timedelta(hours=int(x)))

下面是一个简单的总数：

df["Date_hour"] = df["Date"] + df["Hour"]

设置datetime索引的方法与设置datetime数据类型的任何其他列的方法相同：

df = df.set_index("Date_hour")

很接近。只是一些变化

df

      sr          Date  Hour     Data
0      3    2018-01-01     0    51.29
1      4    2018-01-01     1    43.59
2      5    2018-01-01     2    93.60
3      6    2018-01-01     3    54.78
4      7    2018-01-01     4    14.35
5      8    2018-01-01     5    18.60


df["Date"] = pd.to_datetime(df["Date"], unit="ns")
df["Hour"] = pd.to_timedelta(df["Hour"])
df["Date_Hour"]=(df["Date"] + df["Hour"]).dt.strftime('%Y-%m-%d %H:%M')
df.set_index("Date_Hour")

                    sr        Date  Hour     Data
       Date_Hour                
2018-01-01 00:00     3  2018-01-01     0    51.29
2018-01-01 01:00     4  2018-01-01     1    43.59
2018-01-01 02:00     5  2018-01-01     2    93.60
2018-01-01 03:00     6  2018-01-01     3    54.78
2018-01-01 04:00     7  2018-01-01     4    14.35
2018-01-01 05:00     8  2018-01-01     5    18.60

你想要的o/p是什么？我会更新这个问题，但要有一个日期时间格式的索引，
Date\u Hour
的预期格式是什么？不，索引有不同的用途。@LukaVlaskalic我的回答解决了你的问题吗？我怀疑这比转换到Timedelta（我在回答中走的路线）要快是的，确实是这样。：）特别是使用
apply对所有值进行循环将减慢解析速度。
df[“Hour”]=df[“Hour”].apply（lambda x:pd.Timedelta（hours=int（x））
可以使用
df[“Hour”]=pd.to_Timedelta（df[“Hour”]，unit='h'）简化
这仍然比直接解析到datetime要慢，需要3行代码而不是一行。：）是的，这仍然是一个很好的答案，可能对其他情况有所帮助，因此我投了赞成票。
df

      sr          Date  Hour     Data
0      3    2018-01-01     0    51.29
1      4    2018-01-01     1    43.59
2      5    2018-01-01     2    93.60
3      6    2018-01-01     3    54.78
4      7    2018-01-01     4    14.35
5      8    2018-01-01     5    18.60


df["Date"] = pd.to_datetime(df["Date"], unit="ns")
df["Hour"] = pd.to_timedelta(df["Hour"])
df["Date_Hour"]=(df["Date"] + df["Hour"]).dt.strftime('%Y-%m-%d %H:%M')
df.set_index("Date_Hour")

                    sr        Date  Hour     Data
       Date_Hour                
2018-01-01 00:00     3  2018-01-01     0    51.29
2018-01-01 01:00     4  2018-01-01     1    43.59
2018-01-01 02:00     5  2018-01-01     2    93.60
2018-01-01 03:00     6  2018-01-01     3    54.78
2018-01-01 04:00     7  2018-01-01     4    14.35
2018-01-01 05:00     8  2018-01-01     5    18.60