当 Pandas 的 pd.to_datetime() 遇到仅含年份（如 "1922"）的字符串却默认按 %Y-%m-%d 格式解析时，会抛出 ValueError；解决方法是显式指定 format='%Y' 或使用 infer_datetime_format=True / format='mixed' 等灵活策略。
当 pandas 的 `pd.to_datetime()` 遇到仅含年份（如 "1922"）的字符串却默认按 `%y-%m-%d` 格式解析时，会抛出 valueerror；解决方法是显式指定 `format='%y'` 或使用 `infer_datetime_format=true` / `format='mixed'` 等灵活策略。
在将 'release_date' 列设为索引并转换为 datetime 类型时，报错 ValueError: time data "1922" doesn't match format "%Y-%m-%d"，根本原因在于：该列中存在不统一的日期格式——部分值可能是完整日期（如 "1998-05-12"），而另一些仅包含年份（如 "1922"）。Pandas 默认尝试按 ISO 或通用格式（如 %Y-%m-%d）解析，一旦遇到纯年份字符串，便因格式不匹配而失败。
✅ 正确做法是显式声明输入格式。若确认所有 release_date 值均为四位年份（如 "1922", "2005"），直接指定 format='%Y'：
df_tracks.set_index('release_date', inplace=True)
df_tracks.index = pd.to_datetime(df_tracks.index, format='%Y') # → 转为 1922-01-01, 2005-01-01
df_tracks.head()
⚠️ 注意事项：
- format='%Y' 要求所有输入严格为4位数字年份（不能含空格、字母或分隔符），否则仍会报错；
- 若数据混杂（如同时存在 "1922"、"2010-03"、"2021-07-15"），推荐使用 format='mixed'（Pandas 2.0+）配合 infer_datetime_format=True：
df_tracks.index = pd.to_datetime(df_tracks.index, format='mixed', infer_datetime_format=True)
- 对于旧版 Pandas（# 先查看哪些值解析失败 pd.to_datetime(df_tracks['release_date'], errors='coerce').isna()
? 补充技巧：若希望保留原始粒度（如仅年份不补全月日），可转为 PeriodIndex：
df_tracks.index = pd.PeriodIndex(df_tracks.index, freq='Y') # → Period('1922', 'Y')
总之，pd.to_datetime() 的核心原则是——格式越明确，解析越可靠。优先检查数据实际格式（df_tracks['release_date'].unique() 或 .value_counts().head()），再选择 format 参数，而非依赖自动推断。
