Pandas中datetime列调用describe()为何返回数值型统计结果？

我在使用pandas进行数据分析时，拥有一个datetime列，并执行了如下代码：

import pandas as pd
import numpy as np

s = pd.Series([np.datetime64("2000-01-01"), np.datetime64("2010-01-01"), np.datetime64("2010-01-01")])
print('--------------------')
print(s)
print('--------------------')
print(s.dtype)
print('--------------------')
print(s.describe())

得到的输出如下：

--------------------
0   2000-01-01
1   2010-01-01
2   2010-01-01
dtype: datetime64[ns]
--------------------
datetime64[ns]
--------------------
count                      3
mean     2006-09-01 08:00:00
min      2000-01-01 00:00:00
25%      2004-12-31 12:00:00
50%      2010-01-01 00:00:00
75%      2010-01-01 00:00:00
max      2010-01-01 00:00:00
dtype: object

查阅pandas 2.0.0版本文档得知，上述统计结果的格式应为数值型数据的输出，而object、category、timestamp等非数值型数据的统计结果不同。我疑惑：datetime类型是否在describe()中被当作数值型处理？

实际上，pandas对datetime64类型执行describe()时，确实采用了类似数值型的统计逻辑，但本质是基于datetime的时间戳数值计算后再转回datetime格式展示。

datetime64类型在pandas内部是以int64格式存储的时间戳（比如纳秒级整数），计算均值、分位数这类统计量时，pandas会先把datetime转换为对应的时间戳数值完成数值计算，再将结果转回datetime格式呈现，这就导致输出的统计项（count、mean、min、25%、50%、75%、max）和数值型数据的describe()输出结构完全一致。

而object、category这类类型本身没有可直接计算的数值逻辑，所以describe()会输出unique、top、freq这类不同的统计项，和datetime的处理逻辑完全不同。

内容的提问来源于stack exchange，提问作者winter