Pandas 2.0下如何将dtype('<M8[ns]')转换为datetime64[ns]？

首先明确：dtype('<M8[ns]')是numpy对datetime64[ns]的底层类型标识，二者本质是同一类型，你看到的显示差异只是Pandas和numpy的输出格式不同。

报错UFuncTypeError: ufunc 'add' cannot use operands with types dtype('<M8[ns]') and dtype('<M8[ns]')的核心原因是：两个datetime64类型的对象直接相加本身就是无意义的操作，numpy和Pandas2.0严格禁止了这种不合理的运算（旧版本可能通过隐式转换绕过了检查，但这是不规范的）。

以下是针对性解决步骤：

1. 定位并修正代码逻辑
   找到触发add操作的代码位置，确认是否是误将两个datetime列相加：

   • 如果是要计算时间差，将add改为sub（减法），得到timedelta类型结果：

     # 计算两个datetime列的时间差
     df['time_diff'] = df['date1'] - df['date2']
     

   • 如果是要给datetime加上一段时间，确保另一操作数是timedelta类型：

     # 给datetime列加7天
     df['date_plus_7d'] = df['date'] + pd.Timedelta(days=7)
     

2. 将datetime转换为数值类型（适配模型输入）
   如果模型需要数值型输入，不要直接传入datetime对象，显式转换为时间戳：

   # 转换为秒级Unix时间戳（int64类型）
   df['date_timestamp'] = df['date'].astype('int64') // 10**9
   # 或者直接通过numpy view转换为纳秒级整数
   df['date_ns_int'] = df['date'].values.view('int64')
   

3. 修复异常的datetime列（若存在类型污染）
   如果列表面是datetime64类型，但底层存在混合类型或解析异常，尝试重新构造列：

   # 强制重新解析datetime
   df['date'] = pd.to_datetime(df['date'].astype(str), errors='coerce')
   # 检查列内元素类型是否统一
   print(df['date'].apply(type).unique())
   

4. 特征工程替代直接使用datetime
   对于机器学习场景，更合理的做法是从datetime中提取特征：

   # 提取年、月、日、小时等特征
   df['year'] = df['date'].dt.year
   df['month'] = df['date'].dt.month
   df['day'] = df['date'].dt.day
   df['hour'] = df['date'].dt.hour
   

内容的提问来源于stack exchange，提问作者ibarbo