dmshar

Ни непосредственно месяца, ни непосредственно года задать с помощью timedelta нельзя, и это понятно. Год может быть 365 и 366 дней, а месяц - 28,29,30 и 31.
Тем не менее обойти это можно. Ниже один варинат на чистом datatime, а остальные - с привлечением других библиотек.
Показываю на примере года. Думаю, с месяцем разберетесь сами по аналогии

import datetime as dt
from dateutil.relativedelta import relativedelta
import pandas as pd
d1=dt.datetime(2021, 5, 16)
print ('d1==',d1)
d2=d1.replace(year=d1.year+1)
print ('d2==',d2)
d3=d1+relativedelta(years=1)
print ('d3==',d3)
d4=d1+pd.DateOffset(years=1)
print ('d4==',d4)

Результаты:

d1== 2021-05-16 00:00:00
d2== 2022-05-16 00:00:00
d3== 2022-05-16 00:00:00
d4== 2022-05-16 00:00:00

В matplotlib есть модуль ticker. В нем есть метод MultipleLocator.
А в самом matplotlib есть методы set_major_locator и set_minor_locator.
Комбинируя их вы получаете возможность не просто управлять метками по осям, а еще и двумя классами меток - главными (например - через 10), и минорными (ну, например, через 2, 1 или 0.01 - как захотите).
Хотел привести пример, но поскольку вы не дали себе труда привести (как того - и не зря - требуют правила этого сайта) минимально воспроизводимый фрагмент кода, что-бы в него можно было встроить ответ на ваш вопрос - мне писать все с начала для вашего примера тоже лень. Поэтому просто подскажу, что решение ваше будет выглядеть примерно вот так:

import matplotlib.ticker as ticker
ax.xaxis.set_major_locator(ticker.MultipleLocator(2))

То, что вы написали - это отдельная ветвь на пересечении технической диагностики (в вашем случае скорее всего вибродиагностики) и современного машинного обучения. Называется Predictive maintenance.
(Вы пишете "P.S. Возможно описал не столь понятно но идея вроде передана." - по приведенным ответам подозреваю, что большинство таки не поняли о чем речь. Если кому интересно, ознакомление можно начать, например, вот отсюда:
https://towardsdatascience.com/how-to-implement-ma...).
На самом деле, направление очень перспективное с точки зрения и экономической целесообразности и практического применения. Скажу по секрету - когда-то мне пришлось делать анализ литературы по этой теме и видел проекты, которые приносили миллионы и не рублей прибыли (помню, что в заказчиках были Caterpillar, Shell, Boing и пр. монстры). И литературы и интернет-источников - очень много. Другое дело, что использование нейросетей - это не самый пожалуй перспективное направление в этой проблеме, просто потому, что часто традиционные методы машинного обучения дают типа деревьев решений дают более эффективные решения. ​
Кроме указанного поискового запроса, если заходить со стороны именно методов машинного обучения можно и с использование запросов типа "Anomaly Detection", "Novelty detection", "Сhange points detection".
Ну и отдельной "строкой" - несколько примеров использования сетей глубокого обучения именно в задачах, близких к вашей (просто из того, что сейчас под рукой)
https://www.researchgate.net/publication/341615540...
https://www.sciencedirect.com/science/article/pii/...
https://comtradedigital.com/wp-content/uploads/201...
Удачи в исследованиях. Будут конкретные вопросы - задавайте.

A = np.arange(0, 15).reshape(5, 3)
B=A.ravel()

или так:
D=A.flatten()

Стесняюсь спросить - а что просто открыть учебник нынче запрещено? Или хотя-бы в Google заглянуть?

Если вам уж очень кортит сделать скрипт исправление конкретной ошибки - то можете использовать один из вариантов:
df['С'] = [s.replace('..','.') for s in df['A']]
либо:

def func(x):
    return x.replace('..','.')
df['B']=df['A'].apply(func)

Результат:

/
        A           B           С
0  25.05..2001  25.05.2001  25.05.2001
1   25.06.2001  25.06.2001  25.06.2001
2   25.43.2004  25.43.2004  25.43.2004
3   05.02.2005  05.02.2005  05.02.2005
4   27.02.2008  27.02.2008  27.02.2008

Если вы поместили вопрос под тегом Python, то и ответ будет касаться этого языка.
В Python есть чудесная библиотека Pandas - в аккурат для представления ваших данных.
Если бы дали себе труд привести в вопросе - как того требуют (и не зря) правила сайта - не картинку, а набранную вами табличку (хотя-бы в EXCEL) я бы дал себе труд написать код, как такие данные "укладываются" в DataFrame. А раз нет - ну разберетесь сами, куда смотреть я сказал.
После того, как DataFrame создан значение на пересечении столбца и строки ищется элементарно, в одну команду, например так:
df.ef[(df.Свыше==65) & (df.До==80)]