直接用.dt.days提取天数，但nat会变为nan；两datetime64[ns]列相减得timedelta64[ns]类型，需.dt.days才能批量转整数天数，缺失值处理需先检查再fillna后转int。
直接用 .dt.days 提取天数，但要注意 NaT 会变成 NaN
两个 datetime64[ns] 类型的 Series 相减，结果是 timedelta64[ns] 类型的 Series；调用 .dt.days 可以批量提取整数天数。但只要原始数据中存在缺失日期（NaT），相减后对应位置就是 NaT，再取 .dt.days 就变成 NaN（float 类型），不是 -1 或 0。
实操建议：
- 先用
df['date1'].isna() | df['date2'].isna()检查是否有缺失，避免后续计算出错 - 如果需要把
NaN替换为特定值（比如 -1），用.fillna(-1).astype(int)，注意fillna后类型仍是 float，必须显式转int - 别用
.dt.total_seconds() // (24*3600)代替.dt.days—— 它对跨夏令时或闰秒不鲁棒，且性能差
pd.Timedelta 和 .dt.days 的区别：前者是标量，后者是向量化方法
如果你只有一对日期（比如 date1 = pd.Timestamp('2023-01-01')，date2 = pd.Timestamp('2023-01-10')），直接 (date2 - date1).days 就行 —— 这里 (date2 - date1) 是单个 pd.Timedelta 对象，.days 是它的属性。
但 DataFrame 列是向量，(df.date2 - df.date1).days 会报 AttributeError，因为结果是 Series，没有 .days 属性，必须走 .dt 访问器：
(df.date2 - df.date1).dt.days
常见错误现象：AttributeError: Can only use .dt accessor with datetimelike values，说明你对非 timedelta64 列用了 .dt。
遇到时区感知时间（tz-aware）要先对齐时区，否则相减报错
如果两列一个是 UTC，一个是 Asia/Shanghai，直接相减会抛出 TypeError: Cannot subtract tz-naive and tz-aware datetime-like objects。
解决路径：
- 统一转成同一时区：
df.date1.dt.tz_convert('UTC')和df.date2.dt.tz_convert('UTC') - 或者都转成无时区（强制本地化）：
df.date1.dt.tz_localize(None)，但会丢失时区语义，慎用 - 检查时区状态：
df.date1.dt.tz返回None或时区对象，比看 dtype 更可靠
为什么不用 (date2 - date1) / np.timedelta64(1, 'D')？
这种写法能得出浮点天数（含小数），看似灵活，但实际埋雷：
- 结果是
float64，哪怕所有差值都是整数天，也无法直接用于分组或作为分类变量 - 遇到
NaT时返回nan，但类型仍是 float，容易在后续groupby().sum()中被静默忽略 -
np.timedelta64(1, 'D')在 pandas 2.0+ 中已不推荐，官方明确建议用.dt.days - 性能上，
.dt.days是底层优化过的向量化提取，比除法快 2–3 倍（尤其百万行以上）
真正需要小数天数的场景极少；多数业务逻辑（如逾期天数、工龄、账期）只认整数天，.dt.days 是最稳的选择。
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！
