Pandas如何转换多种格式混合的object类型时间为datetime格式

• 你的Total call time列混合了两种字符串格式，直接指定单一时间格式必然转换报错：
  • 多数值为时:分:秒格式（如2:04:07）
  • 少部分异常值为单冒号格式（如45:48、3:22）
• 额外注意：该列存储的是通话时长（时间间隔），不是具体时刻，用datetime类型存储并不适配后续的时长统计、计算需求，应该使用pandas原生的timedelta（时间差）类型。

1. 先统一所有字符串的格式为标准时:分:秒结构
2. 直接调用pd.to_timedelta完成类型转换

对应代码如下：

import pandas as pd

# 统一格式：对仅含1个冒号的分:秒数据，补前导"0:" 转为0时:分:秒
df['Total call time'] = df['Total call time'].apply(
    lambda s: f"0:{s}" if s.count(":") == 1 else s
)

# 转换为时间差类型（时长数据的推荐存储类型）
df['Total call time'] = pd.to_timedelta(df['Total call time'])

转换后所有值都会被正确解析：

• 原2:04:07解析为0 days 02:04:07（2小时4分7秒）
• 原45:48解析为0 days 00:45:48（45分48秒）
• 原3:22解析为0 days 00:03:22（3分22秒）

注：如果你的单冒号数据实际为时:分格式（秒数默认为0），只需将补全逻辑改为给单冒号字符串补后缀:00即可，即把lambda表达式内的f"0:{s}"替换为f"{s}:00"。但从你给出的样例数据分布看，45:48若按45小时解析会明显偏离其他1-5小时的通话时长范围，因此默认按分:秒补前导0更符合业务逻辑。

如果你因特殊展示需求必须转为datetime类型，可在格式统一后执行以下代码（不会再报错），但不推荐作为日常存储格式：

# 仅用于特殊展示场景，不推荐作为存储格式
df['Total call time'] = pd.to_datetime(df['Total call time'], format="%H:%M:%S")

内容的提问来源于stack exchange，提问作者Maki