Pandas to_datetime转换季度YY格式日期年份识别错误的解决方案

调用to_datetime时未显式指定格式字符串，pandas自动推断日期格式时没有识别Q为季度标记，两位年份的世纪映射逻辑出错，才会把96、97这类值错误解析为2096、2097。
pandas原生支持两位年份的自动世纪映射：搭配%y格式占位符解析时，00-68默认映射为2000-2068，69-99默认映射为1969-1999，完全覆盖你1996到2022的时间范围，不需要事后手动修正年份。

方案1：显式指定格式调用to_datetime #

针对季度Q两位年份的格式，直接在to_datetime中传入匹配的format参数即可，解析结果会默认取对应季度的第一天，符合YYYY-MM-DD的标准格式要求：

import pandas as pd
# 假设存储季度的列名为quarter
df['standard_date'] = pd.to_datetime(df['quarter'], format='%qQ%y')

测试样例输出：

• 2Q96 → 1996-04-01
• 3Q96 → 1996-07-01
• 1Q22 → 2022-01-01

方案2：用PeriodIndex直接解析季度（更适合季度时序数据） #

如果你的数据本身是季度粒度的时序数据，用PeriodIndex解析更直接，不需要记忆格式占位符，解析后转成时间戳即可得到标准日期：

df['standard_date'] = pd.PeriodIndex(df['quarter'], freq='Q').to_timestamp()

方案3：自定义年份映射规则（适配非默认世纪分界场景） #

如果你后续有其他数据的两位年份分界不符合pandas默认的68/69规则，可以用字符串拆分+自定义映射的方式解析，比事后修正错误年份逻辑更清晰：

def custom_quarter_parse(s):
    # 拆分季度和两位年份
    q, yy = s.split('Q')
    q = int(q)
    yy = int(yy)
    # 自定义规则：小于30的两位年份归为20xx，其余归为19xx，可按需调整阈值
    full_year = 2000 + yy if yy < 30 else 1900 + yy
    # 计算季度对应第一个月：1Q→1月、2Q→4月、3Q→7月、4Q→10月
    month = (q - 1) * 3 + 1
    return pd.Timestamp(year=full_year, month=month, day=1)

df['standard_date'] = df['quarter'].apply(custom_quarter_parse)

注意：不要依赖pandas的自动日期推断，对于非通用日期格式，显式指定format或者用对应粒度的时间类（比如Period）处理，能避免90%以上的日期解析错误。

内容的提问来源于stack exchange，提问作者Sumit Beniwal