解析失败时先用errors='coerce'定位脏数据，统一格式再指定format（注意strftime码大小写及分隔符），带时区信息自动识别，本地时间用tz_localize，大数据优先在read_csv中parse_dates。
to_datetime解析失败时先看错误类型
遇到 ValueError: Unknown string format 或 ParserError 不要急着加 format 参数——Pandas 默认会尝试多种常见格式（如 "2023-05-12"、"12/05/2023"、"20230512"），但一旦字符串里混入脏数据（空值、乱码、非日期文本），默认解析就会崩。先用 errors='coerce' 快速暴露问题：
-
pd.to_datetime(df['date_col'], errors='coerce')把无法解析的转成NaT，再用df['date_col'].isna()定位具体哪几行出问题 - 若大量报错且格式其实统一（比如全是
"2023-05-12 14:30:00.123"），直接加format反而更快更稳，避免自动推断误判 - 注意：含毫秒或微秒的字符串（如
"2023-05-12 14:30:00.123456"）必须显式指定format，否则默认只认到毫秒级，多余位数会被截断或报错
format参数怎么写才不踩坑
format 不是正则，是 strftime 格式码，大小写敏感、不能省略分隔符。常见错误是把 "%Y-%m-%d %H:%M:%S" 写成 "%Y/%m/%d %H:%M:%S" 却忘了源数据用的是短横线；或者漏掉秒的小数位。
- 年月日固定顺序：年必须用
%Y（4位）或%y（2位），%Y更安全；月用%m（补零），日用%d（补零） - 时间部分：小时用
%H（24小时制），%I是12小时制，混用必错；分钟秒统一用%M和%S - 毫秒/微秒：
%f表示微秒（6位），但源数据若只有3位（毫秒），%f仍可匹配（末尾补零）；若明确只要毫秒级精度，用%f+dt.round('ms')后处理更可控 - 示例：解析
"20230512143000"→format="%Y%m%d%H%M%S"；解析"12-May-2023"→format="%d-%b-%Y"（%b是英文缩写）
时区处理别等出图才发现错
没显式指定时区的 datetime 列，dtype 是 datetime64[ns]，本质是本地时间（tz-naive）；一旦参与跨时区计算或对接数据库（如 PostgreSQL 的 timestamptz），就可能偏移。关键不是“要不要加时区”，而是“加在哪一步”：
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 如果原始数据带时区信息（如
"2023-05-12 14:30:00+08:00"），to_datetime会自动识别并返回 tz-aware 类型，不用额外操作 - 如果原始数据是纯本地时间（如 CSV 里只有
"2023-05-12 14:30:00"），且你确定它属于"Asia/Shanghai"，应该用dt.tz_localize("Asia/Shanghai")，而不是在to_datetime里硬塞utc=True（那会强制当成 UTC 时间再转本地，结果反了） - 导出到文件前，建议统一转为 UTC 存储：
dt.dt.tz_convert("UTC")，避免下游系统误解
性能差？检查是否重复解析
在循环里反复调用 pd.to_datetime 是常见性能杀手——它内部做了大量格式猜测和异常捕获。实际项目中，90% 的慢都源于这个习惯。
- 确保只对原始字符串列调用一次
to_datetime，之后所有时间运算（如dt.month、dt.floor('D')）都基于已转换的datetime64列进行 - 如果数据量大（>100万行）且格式极其固定，可考虑先用
pd.read_csv(..., parse_dates=['col'])在读取阶段就解析，比读完再to_datetime快 2–5 倍 - 极端场景（如日志解析），用
datetime.strptime手写解析函数反而更慢；优先信任to_datetime的 C 实现，必要时加cache=True（Pandas 1.5+）加速重复值处理
最麻烦的往往不是格式本身，而是同一列里混着多种格式（比如早期数据用 "%Y/%m/%d"，后期切成了 "%Y-%m-%d"），这时候靠 format 参数已经不够用了，得拆开清洗或用 apply 分条件处理。
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！
