常见错误是字符串列未转datetime64[ns]就直接创建datetimeindex；须先用pd.to_datetime()转换，注意非法格式、时区和精度问题，并验证索引类型是否为datetimeindex。
datetime列转为DatetimeIndex为什么报错TypeError: data type not understood
常见错误是把字符串列直接塞给pd.DatetimeIndex()，而没先用pd.to_datetime()做类型转换。Pandas不会自动推断字符串为时间——它只认datetime64[ns]或Timestamp对象。
- 先调用
pd.to_datetime(df['date_col'])，再赋值给df.index；别跳步 - 如果含非法格式（如
"2023-13-01"），默认会抛ValueError；加参数errors='coerce'可转为NaT，但得立刻检查缺失情况 - 时区敏感场景下，
pd.to_datetime()默认返回无时区datetime64[ns]；需显式加utc=True或tz='Asia/Shanghai'
用resample()聚合时结果为空或报NotImplementedError: Only valid with DatetimeIndex
根本原因是索引不是DatetimeIndex，哪怕看着像时间也不行。比如用df.set_index('date_col')后，索引类型仍是object，不是时间索引。
- 确认索引类型：
type(df.index)必须是pandas.core.indexes.datetimes.DatetimeIndex -
resample()的rule参数对频率很敏感：写'D'是日频，'MS'是月初，'M'是月末；用错会导致分组错位甚至空结果 - 若原始数据时间戳精度高（如毫秒级），但想按天聚合，别依赖
resample('D').mean()自动对齐——先用df.index.floor('D')归一化，再groupby()更可控
loc按时间切片返回空，但df.index.min()/.max()显示时间在范围内
本质是时间精度或时区不匹配。最常见的是：索引是UTC时间，而你用本地时间字符串切片（如df.loc['2023-01-01':'2023-01-02']），Pandas默认按本地时区解释该字符串。
- 统一时区：用
df.index.tz_localize('UTC').tz_convert('Asia/Shanghai')对齐后再切片 - 避免字符串切片，改用
Timestamp对象：start = pd.Timestamp('2023-01-01', tz='UTC')，再df.loc[start:end] - 注意
loc闭区间特性：df.loc['2023-01-01':'2023-01-01']会包含当天所有时刻，不是只取0点那一行
从CSV读入时间列后dt.hour全是NaN
说明该列没被识别为datetime类型，而是作为字符串或object存着。Pandas读CSV时不会自动解析时间列，除非明确指定。
- 读取时加参数：
pd.read_csv('data.csv', parse_dates=['timestamp'], infer_datetime_format=True) -
infer_datetime_format=True能显著提速，但要求整列格式严格一致（如全为YYYY-MM-DD HH:MM:SS）；否则退回到慢速逐个解析 - 若列名含空格或特殊字符，
parse_dates要传列表套元组，例如[('time', 'date_str')]来合并多列
df.dtypes和type(df.index)，比查十遍文档管用。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！
