Pandas读取CSV文件时dd.mm.yy格式日期解析错误的解决方法

这个问题我之前处理过好多次，Pandas默认的日期解析逻辑确实会在遇到日和月数值都≤12的时候“犯迷糊”，把dd.mm.yy格式的日期搞反。下面给你几个靠谱的解决办法，按场景选就行：

方法1：读取CSV时自定义日期解析函数（最稳妥） #

直接强制指定日期格式，让Pandas完全按照你给定的规则解析，不会有猜测空间。适合数据格式严格统一的情况：

import pandas as pd
from datetime import datetime

# 自定义解析函数，明确遵循dd.mm.yy格式
def parse_ddmmyy(date_str):
    return datetime.strptime(date_str, '%d.%m.%y')

# 读取CSV时指定要解析的列和自定义解析器
df = pd.read_csv('your_data.csv', parse_dates=['你的日期列名'], date_parser=parse_ddmmyy)

这样不管日和月的数值大小，都会把第一个数字当成日，第二个当成月，比如05.01.05会被正确解析为2005-01-05。

方法2：利用dayfirst=True参数（更简洁） #

如果你的Pandas版本在1.3.0及以上，可以直接用dayfirst=True参数，告诉Pandas日期字符串里“日在前，月在后”：

df = pd.read_csv('your_data.csv', parse_dates=['你的日期列名'], dayfirst=True)

这个方法更省事，但要注意：如果你的数据里存在格式不统一的日期（比如混了mm.dd.yy），可能还是会出问题，所以优先推荐方法1。

方法3：已读取数据后批量转换日期列 #

如果已经把CSV读进DataFrame，日期列还是字符串格式，可以用pd.to_datetime来事后转换：

# 方式A：指定格式（速度更快，适合大数据）
df['你的日期列名'] = pd.to_datetime(df['你的日期列名'], format='%d.%m.%y')

# 方式B：用dayfirst参数
df['你的日期列名'] = pd.to_datetime(df['你的日期列名'], dayfirst=True)

这里提一句：指定format的转换速度会比dayfirst快很多，因为Pandas不需要逐个猜测日期格式，大数据量场景下差异很明显。

额外注意点 #

关于yy年份的解析：Pandas默认会把00-69映射为2000-2069，70-99映射为1970-1999，如果你的数据有特殊年份规则，可以通过yearfirst参数或者手动处理年份，但绝大多数场景下默认逻辑就够用。

内容的提问来源于stack exchange，提问作者ManKeer