pd.to_datetime() 报错或返回 nat 是因默认不自动推断混杂格式，需显式指定 format 或多格式尝试+combine_first() 合并，并优先清洗脏数据。
为什么 pd.to_datetime() 会直接报错或返回 NaT
当你用 pd.to_datetime() 处理数据库导出的日期列时，如果列里混着 "2023-05-01"、"01/05/2023"、"2023年5月1日"、甚至 "未知" 或空字符串，它默认会抛 ValueError（errors='raise'）或者静默转成 NaT（errors='coerce'）。这不是函数“不行”，而是它不主动猜格式——你得告诉它怎么试。
用 format 参数精准匹配已知固定格式
如果你确认数据只来自几个确定的格式（比如只有 YYYY-MM-DD 和 DD/MM/YYYY），最稳的方式是先清洗再转换。不要依赖自动推断：
- 对明确是
"%Y-%m-%d"的字段，强制指定：pd.to_datetime(df['date_col'], format='%Y-%m-%d', errors='coerce') - 对明确是
"%d/%m/%Y"的字段，别让 pandas 自己猜日月顺序：pd.to_datetime(df['date_col'], format='%d/%m/%Y', errors='coerce') -
format模式下，只要有一个值不匹配，整列就会报错，所以务必先df['date_col'].str.contains(...)筛一遍或用errors='coerce'容错
用多个 pd.to_datetime() 尝试 + combine_first() 合并结果
当格式真不确定且杂乱时，逐个尝试常见格式，取第一个非 NaT 的结果：
import pandas as pd <p>s = df['date_col'] result = ( pd.to_datetime(s, format='%Y-%m-%d', errors='coerce') .combine_first(pd.to_datetime(s, format='%d/%m/%Y', errors='coerce')) .combine_first(pd.to_datetime(s, format='%Y年%m月%d日', errors='coerce')) .combine_first(pd.to_datetime(s, errors='coerce')) # 最后兜底：让 pandas 自己猜（慢但宽泛） )</p>
注意：combine_first() 是按顺序“填空”——前面是 NaT 的位置，才用后面的结果补。兜底那行虽然能处理很多变体（如 "May 1, 2023"），但性能差、易误判，只建议放最后。
提前清洗字符串：删干扰、统一分隔符、过滤脏数据
比硬扛格式解析更可靠的是前置清洗。数据库导出的日期常带空格、中文括号、字母前缀（如 "日期：2023-05-01"）：
- 用正则提取纯日期片段：
df['date_col'].str.extract(r'(\d{4}[-/年]\d{1,2}[-/月]\d{1,2}[日]?)') - 统一替换分隔符：
df['date_col'].str.replace(r'[年月日]', '-', regex=True).str.replace(r'[\/]', '-', regex=True) - 过滤掉长度太短或明显非法的值：
df['date_col'].str.len() >= 8，再进to_datetime - 中文数字（如“二〇二三”）必须先转阿拉伯数字，否则任何
to_datetime都无效
真实场景中，清洗步骤往往比格式尝试更重要——很多失败不是因为格式多，而是因为根本不是日期字符串。
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！
