date_parser с ошибкой: недействительный литерал для int() с базой 10: 'month'

Question

Я понимаю, что эта ошибка обычно связана с поплавком или десятичной передачей через функцию int(); однако я не понимаю, как он применяется к моей программе сейчас. Я использую функцию под названием dateparse для анализа дат из общих форматов файлов, чтобы сделать файлы csv, следующие за форматом date_time. У меня есть следующий код:

names=dates['Year','Month','Day','Hour','Minute',\ 
'T2 (WRF)', 'TSK (WRF)', 'LH (WRF)','HS (WRF)', 'Q2 (WRF)',\ 
'U10 (WRF)','V10 (WRF)','PSFC (WRF)','ZNT (WRF)','SWDOWN (WRF)','RAINNC (WRF)'] 

def dateparse(Y, m, d, H, M): 
    a = pd.datetime(int(Y), int(m), int(d), int(H), int(M)) 
    return(a) 

df=pd.read_csv(filein,delim_whitespace=True,\ 
header=None, names=names, parse_dates={'date_time': dates},\ 
date_parser=dateparse, index_col='date_time') 
df.to_csv(fileout+'.csv', index=True) 

мои данные выглядит так, все отформатированный то же самое:

2014 06 28 12 00 298.406 296.388 8.60505e-05 -11.8442 0.00890335 -0.125414 -0.681333 96967.9 0.79537 0 0 
2014 06 28 13 00 298.6 296.854 9.5607e-05 -10.5284 0.00823525 -1.04711 -0.317631 97030 0.79537 19.3502 0 
2014 06 28 14 00 301.66 303.488 0.000109433 30.6269 0.00898107 0.000669297 -1.06901 97086.2 0.79537 213.257 0 
2014 06 28 15 00 302.186 307.853 0.000169239 128.347 0.00898755 0.993213 -1.16031 97081.7 0.79537 433.372 0 
2014 06 28 16 00 303.145 312.31 0.000230749 219.192 0.00874303 0.644703 -0.80952 97137.6 0.79537 639.32 0 

Так заголовки должны быть год, месяц, день, час, минуты. Все это целые числа, и я не понимаю, почему это возвращает ошибку. Раньше я работал над этой программой с очень похожими данными, с тем же форматом на время.

Answer 1

ноль помочь не может быть преобразована в int, если вы сделаете следующее, то он будет работать:

In [36]: 

import io 
t="""2014 06 28 12 00 298.406 296.388 8.60505e-05 -11.8442 0.00890335 -0.125414 -0.681333 96967.9 0.79537 0 0 
2014 06 28 13 00 298.6 296.854 9.5607e-05 -10.5284 0.00823525 -1.04711 -0.317631 97030 0.79537 19.3502 0 
2014 06 28 14 00 301.66 303.488 0.000109433 30.6269 0.00898107 0.000669297 -1.06901 97086.2 0.79537 213.257 0 
2014 06 28 15 00 302.186 307.853 0.000169239 128.347 0.00898755 0.993213 -1.16031 97081.7 0.79537 433.372 0 
2014 06 28 16 00 303.145 312.31 0.000230749 219.192 0.00874303 0.644703 -0.80952 97137.6 0.79537 639.32 0""" 
df = pd.read_csv(io.StringIO(t), delim_whitespace=True, parse_dates=[['Year','Month','Day','Hour','Minute']], names = ['Year','Month','Day','Hour','Minute',\ 
'T2 (WRF)', 'TSK (WRF)', 'LH (WRF)','HS (WRF)', 'Q2 (WRF)',\ 
'U10 (WRF)','V10 (WRF)','PSFC (WRF)','ZNT (WRF)','SWDOWN (WRF)','RAINNC (WRF)']) 
df 

Out[36]: 
    Year_Month_Day_Hour_Minute T2 (WRF) TSK (WRF) LH (WRF) HS (WRF) \ 
0   2014 06 28 12 00 298.406 296.388 0.000086 -11.8442 
1   2014 06 28 13 00 298.600 296.854 0.000096 -10.5284 
2   2014 06 28 14 00 301.660 303.488 0.000109 30.6269 
3   2014 06 28 15 00 302.186 307.853 0.000169 128.3470 
4   2014 06 28 16 00 303.145 312.310 0.000231 219.1920 

    Q2 (WRF) U10 (WRF) V10 (WRF) PSFC (WRF) ZNT (WRF) SWDOWN (WRF) \ 
0 0.008903 -0.125414 -0.681333  96967.9 0.79537  0.0000 
1 0.008235 -1.047110 -0.317631  97030.0 0.79537  19.3502 
2 0.008981 0.000669 -1.069010  97086.2 0.79537  213.2570 
3 0.008988 0.993213 -1.160310  97081.7 0.79537  433.3720 
4 0.008743 0.644703 -0.809520  97137.6 0.79537  639.3200 

    RAINNC (WRF) 
0    0 
1    0 
2    0 
3    0 
4    0 
In [39]: 
df['Date'] = pd.to_datetime(df['Year_Month_Day_Hour_Minute'], format='%Y %m %d %H %M') 
df 

Out[39]: 
    Year_Month_Day_Hour_Minute T2 (WRF) TSK (WRF) LH (WRF) HS (WRF) \ 
0   2014 06 28 12 00 298.406 296.388 0.000086 -11.8442 
1   2014 06 28 13 00 298.600 296.854 0.000096 -10.5284 
2   2014 06 28 14 00 301.660 303.488 0.000109 30.6269 
3   2014 06 28 15 00 302.186 307.853 0.000169 128.3470 
4   2014 06 28 16 00 303.145 312.310 0.000231 219.1920 

    Q2 (WRF) U10 (WRF) V10 (WRF) PSFC (WRF) ZNT (WRF) SWDOWN (WRF) \ 
0 0.008903 -0.125414 -0.681333  96967.9 0.79537  0.0000 
1 0.008235 -1.047110 -0.317631  97030.0 0.79537  19.3502 
2 0.008981 0.000669 -1.069010  97086.2 0.79537  213.2570 
3 0.008988 0.993213 -1.160310  97081.7 0.79537  433.3720 
4 0.008743 0.644703 -0.809520  97137.6 0.79537  639.3200 

    RAINNC (WRF)    Date 
0    0 2014-06-28 12:00:00 
1    0 2014-06-28 13:00:00 
2    0 2014-06-28 14:00:00 
3    0 2014-06-28 15:00:00 
4    0 2014-06-28 16:00:00 

Так вот я лечу за год месяц день часа и минуту, как один столбец, я тогда позвонить to_datetime и передать format = '%Y %m %d %H %M', вы можете видеть, что это правильно разбирает:

In [40]: 

df.info() 
<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 5 entries, 0 to 4 
Data columns (total 13 columns): 
Year_Month_Day_Hour_Minute 5 non-null object 
T2 (WRF)      5 non-null float64 
TSK (WRF)      5 non-null float64 
LH (WRF)      5 non-null float64 
HS (WRF)      5 non-null float64 
Q2 (WRF)      5 non-null float64 
U10 (WRF)      5 non-null float64 
V10 (WRF)      5 non-null float64 
PSFC (WRF)     5 non-null float64 
ZNT (WRF)      5 non-null float64 
SWDOWN (WRF)     5 non-null float64 
RAINNC (WRF)     5 non-null int64 
Date       5 non-null datetime64[ns] 
dtypes: datetime64[ns](1), float64(10), int64(1), object(1) 
memory usage: 600.0+ bytes