如何让Pandas兼容360天日历？解析含2月30日的CSV日期

方案一：自定义解析函数，兼容多日历类型 #

直接用to_datetime会因为2月30这类360天日历的日期报错，我们可以先把日期列读成字符串，再写个自定义函数兼容常规日历和360天日历的解析：

import pandas as pd
from datetime import datetime

def parse_dates(date_str):
    try:
        # 先按常规日历解析
        return datetime.strptime(date_str, '%Y-%m-%d')
    except ValueError:
        # 捕获"day out of range"异常，处理360天日历的特殊日期
        year, month, day = map(int, date_str.split('-'))
        # 针对2月30日这类情况，按业务需求转换（比如转成3月2日，或保留原字符串）
        if month == 2 and day == 30:
            return datetime(year, 3, 2)
        # 其他超过当月天数的日期（比如4月31日），统一转成下月对应天数
        elif day > 30:
            return datetime(year, month + 1, day - 30)
        # 其他无法解析的情况返回NaT
        return pd.NaT

# 读取CSV时先把日期列设为字符串类型
df = pd.read_csv('your_data.csv', dtype={'date_col': str})
# 应用自定义解析函数
df['date_col'] = df['date_col'].apply(parse_dates)

方案二：先保留原始字符串，按需分类型处理 #

如果不需要立刻转成datetime，可以用errors='ignore'让Pandas保留原始日期字符串，之后根据日历类型分开处理：

# 读取时不强制解析日期，保留字符串
df = pd.read_csv('your_data.csv', parse_dates=['date_col'], errors='ignore')

# 后续筛选出360天日历的特殊日期单独处理
special_dates = df[df['date_col'].str.match(r'\d{4}-02-30')]
# 对这些日期执行自定义转换逻辑，比如替换为合法日期或标记

方案三：用数值映射处理360天日历 #

如果需要对360天日历做日期运算，可以把日期转换成累计天数，再转成numpy的datetime64：

import numpy as np

def convert_360_calendar(date_str):
    year, month, day = map(int, date_str.split('-'))
    # 计算360天日历下的累计天数（从0001年1月1日开始）
    total_days = (year - 1)*360 + (month - 1)*30 + day
    # 转成numpy datetime64
    return np.datetime64('0001-01-01') + np.timedelta64(total_days - 1, 'D')

# 给360天日历的日期单独列转换
df['360_date'] = df['date_col'].apply(convert_360_calendar)

注意事项 #

• 自定义转换逻辑要和你的业务需求匹配，比如2月30日是转成3月2日还是保留原字符串，完全看业务场景。
• 如果要同时处理多种日历，建议加个标记列（比如calendar_type），或者通过日期特征自动判断，针对性应用解析逻辑。
• 别直接用errors='coerce'，会直接把异常日期转成NaT，丢失原始数据。

内容的提问来源于stack exchange，提问作者Thomas Kroißenbrunner