如何将pandas._libs.tslibs.timestamps.Timestamp列表或Series转换为datetime.datetime？

嘿，我刚好碰到过一模一样的需求，其实解决起来很简单——你只需要借助apply()方法，对Series里的每一个Timestamp元素逐个调用to_pydatetime()就可以了。

具体实现代码 #

先拿你提供的示例数据来演示：

import pandas as pd
import datetime

# 生成示例数据
df = pd.DataFrame({"year": [2015, 2016], "month": [2, 3], "day": [4, 5], "hour": [2, 3]})
# 转换为Timestamp类型的Series
ts_series = pd.to_datetime(df)

# 核心转换步骤：用apply遍历每个元素，调用to_pydatetime()
dt_series = ts_series.apply(lambda x: x.to_pydatetime())

# 验证结果
print(dt_series)
# 输出：
# 0   2015-02-04 02:00:00
# 1   2016-03-05 03:00:00
# dtype: object

print(type(dt_series.loc[0]))
# 输出：<class 'datetime.datetime'>

为什么直接用to_pydatetime()对整列无效？ #

因为to_pydatetime()是单个Timestamp对象的实例方法，只能作用于单独的Timestamp元素，没办法直接作用于整个Series。而apply()会帮你遍历Series里的每一个元素，逐个执行转换操作，刚好解决这个问题。

针对DataFrame列的实际场景 #

如果你的数据是从Excel导入后处理得到的DataFrame列（比如某列存储的是Timestamp类型数据），处理逻辑完全一致：

# 假设你的DataFrame有一列名为'ts_col'，存储Timestamp类型数据
df['dt_col'] = df['ts_col'].apply(lambda x: x.to_pydatetime())

大数据量场景的替代方案 #

如果你的数据量很大，用列表推导式的性能会比apply()略好一点，效果完全相同：

dt_series = pd.Series([x.to_pydatetime() for x in ts_series])

内容的提问来源于stack exchange，提问作者Justin