当 DataFrame 时间列中部分值含不一致的小数秒（如 .5、.000 或无小数部分）时，直接指定固定 format 会报错；推荐使用 format='mixed' 自动推断，或预处理统一补零后再转换。
当 dataframe 时间列中部分值含不一致的小数秒（如 `.5`、`.000` 或无小数部分）时，直接指定固定 `format` 会报错；推荐使用 `format='mixed'` 自动推断，或预处理统一补零后再转换。
在实际数据清洗中，时间字符串格式不一致是常见痛点——例如 'Jan 20, 2000 12:00:00'、 'Jan 20, 2000 12:00:00.5' 和 'Jan 20, 2000 12:00:01' 混合存在时，pd.to_datetime() 若硬编码 format='%b %d %Y %H:%M:%S' 会因 .5 报 ValueError；而用 '%b %d %Y %H:%M:%S.%f' 又因缺失小数部分失败。
✅ 推荐方案一：使用 format='mixed'（Pandas ≥ 2.0）
该参数启用智能格式推断，自动适配每行的时间格式，简洁高效：
import pandas as pd
df = pd.DataFrame({'datetime': [
'Jan 20, 2000 12:00:00',
'Jan 20, 2000 12:00:00.5',
'Jan 20, 2000 12:00:01'
]})
df['datetime'] = pd.to_datetime(df['datetime'], format='mixed')
print(df.dtypes) # datetime64[ns]
print(df['datetime'].dt.strftime('%b %d, %Y %H:%M:%S.%f')[:3])
输出示例：
0 Jan 20, 2000 12:00:00.000000 1 Jan 20, 2000 12:00:00.500000 2 Jan 20, 2000 12:00:01.000000
⚠️ 注意事项：format='mixed' 虽便捷，但对高度异构或模糊格式（如 01/02/03）可能产生歧义解析。生产环境建议优先采用预处理标准化策略。
✅ 推荐方案二：正则预处理 + 固定格式转换
显式补全小数秒（如将无小数部分的字符串补 .0），确保所有值符合统一格式：
# 为不含小数点的时间字符串追加 '.0' mask = ~df['datetime'].str.contains(r'\.\d+$', regex=True) df.loc[mask, 'datetime'] = df.loc[mask, 'datetime'] + '.0' # 统一按含微秒格式解析 df['datetime'] = pd.to_datetime(df['datetime'], format='%b %d, %Y %H:%M:%S.%f')
? 进阶提示：
- 若需更高精度控制（如仅支持 .1–.9 单位毫秒），可用 df['datetime'].str.replace(r'(\.\d)$', r'\100000', regex=True) 补齐六位微秒；
- 对超大数据集，format='mixed' 性能略低于固定格式，可权衡速度与鲁棒性；
- 始终通过 df['datetime'].isna().sum() 检查解析失败项，并结合 errors='coerce' 容错（但需警惕静默错误）。
综上，format='mixed' 是快速解决格式混杂问题的首选，而标准化预处理更适合对数据质量要求严苛的场景——二者结合使用，可兼顾开发效率与生产健壮性。
