如何对pandas DataFrame列执行字符串转datetime类型转换

数据老陈

2026-8-26

实现方案

报错核心原因是直接把整列pandas.Series对象传给了仅接受单个字符串入参的datetime.strptime，以下是3种可行实现方式，按推荐优先级排序：

优先使用pandas原生向量化方法pd.to_datetime（性能最优）
这是处理pandas时间列转换的标准方案，原生支持接收Series作为入参，不会有类型不匹配问题，指定匹配的时间格式时转换性能比逐行处理高1~2个数量级，大数据量下优势极其明显：
```
import pandas as pd

# 直接转换整列，format参数和strptime的格式规则完全一致
df['Timestamp'] = pd.to_datetime(df['Timestamp'], format='%Y-%m-%d %H:%M:%S.%f')
```
转换完成后该列数据类型为datetime64[ns]，可直接做时间差计算、时间序列筛选、按时间粒度聚合等所有pandas时间相关操作。
使用apply逐元素调用原生datetime.strptime（兼容原有写法）
如果一定要用标准库的strptime逻辑，可以通过apply逐行取出单个字符串值传入函数，避免直接传整列的类型错误：
```
import datetime

df['Timestamp'] = df['Timestamp'].apply(
    lambda x: datetime.datetime.strptime(x, '%Y-%m-%d %H:%M:%S.%f')
)
```
注意：这种逐行遍历的写法性能远低于上面的pd.to_datetime，仅适合小数据集临时使用。
直接指定日期类型转换（最简洁，仅适用于完全干净的标准格式数据）
如果时间列100%为标准格式，无脏数据、空值，可以直接用astype做类型转换，写法最简洁：
```
df['Timestamp'] = df['Timestamp'].astype('datetime64[ns]')
```
该方法灵活度最低，只要存在一条不符合格式的记录就会直接报错，不推荐在生产环境/数据源不稳定的场景使用。