根本原因是excel用浮点数存储日期（如44562.0表示2022-01-01），而pandas默认不自动识别数值型日期，且无法从“常规”或“文本”格式中推断日期语义，导致读取后为float64或object类型。
为什么 pd.read_excel() 读出来的日期变成数字或字符串？
根本原因是 Excel 内部用浮点数存储日期（从 1900-01-01 起的天数），Pandas 默认不强制解析所有疑似日期的列，尤其当单元格混合了空值、文本、数字时，dtype 会退化为 object，显示成 44205.0 或 '2021/1/1' 这类不可直接计算的形态。
常见错误现象包括：df['date'].dt.year 报 AttributeError: Can only use .dt accessor with datetimelike values；或者用 pd.to_datetime() 转换后出现 NaT 大量堆积。
- 优先在读取阶段指定
parse_dates参数，而不是事后转换 - 避免用
dtype={'date': 'datetime64[ns]'}—— 这个参数对 Excel 不生效，仅对 CSV 有效 - 如果列名含空格或特殊字符，
parse_dates必须传列表，如parse_dates=['Sale Date', 'Ship Date']
怎样让 pd.read_excel() 正确识别并解析日期列？
最稳的方式是显式告诉 Pandas 哪些列要当日期处理，并控制解析行为：
- 用
parse_dates列表指定列名，例如parse_dates=['order_date', 'ship_date'] - 配合
date_parser自定义解析逻辑（比如处理'2023-03-15 14:22'中的时分秒）：date_parser=lambda x: pd.to_datetime(x, format='%Y-%m-%d %H:%M') - 加
keep_date_col=False（默认True）防止原始列和解析后列共存 - 若 Excel 里日期列有合并单元格或标题跨行，先用
skiprows或header对齐结构，否则parse_dates会按错行匹配
示例：
df = pd.read_excel('sales.xlsx',
parse_dates=['Order Date', 'Delivery Date'],
date_parser=lambda x: pd.to_datetime(x, errors='coerce'))
pd.to_datetime() 转换失败时该怎么调试？
当读入后列类型已是 object，再调 pd.to_datetime() 却大量返回 NaT，大概率是数据混杂导致解析器放弃——不是函数没用，而是输入太“脏”。
- 先看前几行真实值：
df['date'].head().tolist()，确认是否有None、空字符串、中文“未填写”、Excel 错误值#N/A等 - 用
errors='coerce'是必须项，否则遇到第一个非法值就抛异常 - 不要依赖
infer_datetime_format=True：它只加速已知统一格式（如全为YYYY-MM-DD）的解析，格式一乱就失效 - 对多格式混合列，拆成规则分支处理，比如先尝试
%Y/%m/%d，失败再试%d-%b-%Y
简单兜底写法：
df['date'] = pd.to_datetime(df['date'], errors='coerce', format='mixed')
（注意：format='mixed' 从 Pandas 2.0+ 支持，旧版本需手动分步处理）
Excel 里“常规”格式的日期为何总被读成浮点数？
这是 Excel 的底层机制：即使单元格显示为 2023/5/20，只要单元格格式设为“常规”，Excel 就存成数字 45066.0（对应天数）。Pandas 无法仅凭数值反推它是日期，除非你明确告诉它“这列本该是日期”。
- 打开 Excel → 右键单元格 → “设置单元格格式” → 确认是否为“日期”类型。如果是“常规”或“数值”，Pandas 拿到的就是纯数字
- 修复方法不是改 Python 代码，而是改 Excel：选中列 → 右键 → 设置格式为“日期”，再保存。或者导出前另存为
.xlsx（比.xls元数据更完整） - 如果无法修改源文件，只能靠
parse_dates+origin='1899-12-30'手动转回：Excel 的日期系统起点是 1900 年但有闰年 bug，实际应从1899-12-30开始算
手动转换示例（针对纯数字列）：
df['date_num'] = pd.to_datetime(df['date_num'], unit='D', origin='1899-12-30')日期解析真正麻烦的从来不是函数调用，而是得同时盯住 Excel 文件的实际存储格式、Pandas 的解析策略、以及数据里藏着的那些“看起来像日期”的陷阱。
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！
