pd.to_datetime()解析失败主因是格式不统一且默认不猜测，需显式指定format或errors='coerce'；resample('M')按月末对齐而非自然月，应用'MS'或补全日期；周聚合需注意起始日与标签逻辑；链式操作须确保索引为DatetimeIndex并统一时区。
pd.to_datetime() 解析失败的常见原因和应对
时间字符串格式不统一时，pd.to_datetime() 默认会报 ParserError 或静默返回 NaT，而不是你期待的日期。这不是函数坏了，是它默认不强行猜测格式。
- 显式传
format参数最快最稳，比如'%Y-%m-%d %H:%M:%S'；但只要有一个值不符合，整列就崩 - 设
errors='coerce'把错的全转成NaT，后续用.dropna()或标记处理，比中断强 - 含中文或非标准分隔符（如“2023年05月12日”）必须配
format，infer_datetime_format=True对这种无效 - Unix 时间戳（秒/毫秒整数）要加
unit：秒用unit='s'，毫秒用unit='ms'，否则默认当纳秒处理，结果错得离谱
resample('M') 为什么总少一个月？
resample('M') 是按“月末时刻”对齐的，不是自然月。如果你原始数据截止到 2023-05-30，它不会自动补出 2023-05 的聚合结果——因为没到 2023-05-31 这个锚点。
- 想按自然月聚合，用
resample('MS')（Month Start）更可控，再配合.agg(...)计算当月所有有效数据 - 若必须用
'M'，先用.asfreq('D')或.reindex()补齐日期范围，否则空月直接消失 -
closed和label很关键：默认closed='right', label='right'，意味着2023-05-31的桶包含2023-05-01到2023-05-31，但不含2023-05-31 00:00:00之前一秒——时间精度差一丁点就丢数据
按周重采样（W-MON）结果对不上日历周
Pandas 的 'W' 默认以周日为每周起点，W-MON 才是周一，但即使写了 W-MON，聚合结果的时间戳仍落在**该周的周一**，而非你直觉里的“本周一到周日”的中间点或结束点。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 检查原始索引是否已设为
DatetimeIndex：df.index = pd.DatetimeIndex(df.index)，否则resample直接报错或静默失效 - 周聚合后想让标签显示为“2023-05-01 至 2023-05-07”，得手动加列：
df['week_range'] = df.index.strftime('%Y-%m-%d') + ' to ' + (df.index + pd.Timedelta(days=6)).strftime('%Y-%m-%d') - 遇到节假日或非连续交易日，
resample不跳过也不插值，只对已有数据聚合。真要对齐交易周，得先用pd.bdate_range()构建目标索引再.reindex()
to_datetime + resample 链式操作容易漏掉的坑
很多人写 df['time'].apply(pd.to_datetime).resample('M').sum()，看着顺，其实暗藏两处断裂：类型没设回索引、时区未归一。
- 转换完必须设回索引：
df.index = pd.to_datetime(df['time'])，否则resample作用在默认整数索引上，毫无意义 - 混合时区（比如部分带
+08:00，部分无）会导致resample报TypeError: Cannot compare tz-naive and tz-aware datetime-like objects，统一用.dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai') - 高频数据（如秒级）按月重采样前，建议先用
.asfreq('S')显式声明频率，否则resample可能因推断不准而聚合错窗口
时间对齐这事，没有“默认就对”的路径。每一步的锚点、边界、时区、缺失值处理，都得亲手指定，不然 Pandas 就按它自己的规则默默执行——而那个规则，往往和你的业务日历不一致。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
