如何使用pandas.to_datetime转换两种日期格式列并解决解析错误？

针对你提到的两种日期格式，最稳妥的方法是使用pandas.to_datetime()函数，它既支持自动解析常见格式，也能通过指定格式字符串精准匹配，同时可以处理异常数据避免报错。

方法1：自动解析（推荐优先尝试） #

pd.to_datetime()自带的解析器通常能识别这两种格式，代码简单直接：

import pandas as pd

# 假设你的数据框是df，两列分别为col1（带时间）和col2（仅日期）
df['col1'] = pd.to_datetime(df['col1'])
df['col2'] = pd.to_datetime(df['col2'])

方法2：指定格式字符串（自动解析失效时用） #

如果自动解析出现报错，可以明确指定格式规则，对应你的两种格式：

• 对于Jan 17, 2023 at 12:22 PM，格式字符串为%b %d, %Y at %I:%M %p
• 对于May 2, 2018，格式字符串为%b %d, %Y

代码示例：

# 处理带时间的列
df['col1'] = pd.to_datetime(df['col1'], format="%b %d, %Y at %I:%M %p")
# 处理仅日期的列
df['col2'] = pd.to_datetime(df['col2'], format="%b %d, %Y")

格式字符串说明：

• %b：缩写月份（如Jan、May）
• %d：两位数字的日期（不足两位会自动补零，比如2会识别为02）
• %Y：四位数字的年份
• %I：12小时制的小时数
• %M：分钟数
• %p：AM/PM标识

解决ParserError: day is out of range for month: 0报错 #

这个错误说明你的数据中存在无效日期（比如出现了"0号"这种不存在的日期），可以通过errors参数处理：

• errors='coerce'：将无效日期转为NaT（Pandas的缺失日期标识），后续可以筛选出这些异常行排查
• errors='ignore'：保留原始字符串，不做转换

示例代码：

# 转换时强制处理异常值
df['col1'] = pd.to_datetime(df['col1'], format="%b %d, %Y at %I:%M %p", errors='coerce')
# 查看所有无效日期的行
invalid_rows = df[df['col1'].isna()]
print(invalid_rows)

内容的提问来源于stack exchange，提问作者Connor95