如何修正pandas DataFrame倒置日期格式解决np.busday_count报错

你之前的转换代码无效核心原因是参数用错了：dayfirst=True仅适用于日在最开头的日期格式（比如dd-mm-yyyy/dd/mm/yyyy），但你的Data Faturamento列是年-日-月的特殊结构，pandas默认按年-月-日规则解析，自然会把日月位置搞反，还保留了原始数据里的时分秒。

最简便的修复方式是解析时明确指定日期格式，不要让pandas自动猜格式，转完后抹掉时分秒即可，最终输出和Data Entrega列类型、格式完全一致，可直接传给np.busday_count()使用：

baseFinal["Data Faturamento"] = pd.to_datetime(
    baseFinal["Data Faturamento"],
    format="%Y-%d-%m %H:%M:%S"
).dt.normalize()

代码说明 #

• format="%Y-%d-%m %H:%M:%S"：明确告诉pandas解析规则：第一位是4位年份、第二位是日期、第三位是月份，后半段是时分秒，从根源避免日月解析错位
• .dt.normalize()：把所有日期的时间部分重置为当日0点，最终返回的列dtype仍为datetime64[ns]，和你现有Data Entrega列的格式完全匹配，显示效果就是纯yyyy-mm-dd的日期，不带时分秒

之前代码的问题 #

1. 错用dayfirst=True：该参数无法识别年开头、日在第二位的格式，解析阶段就把日月搞反了，后续不管怎么转类型，日期值本身都是错的
2. 用.values.astype('datetime64[D]')虽然能去掉时分秒，但建立在前面解析错误的基础上，结果自然不符合预期

转完后可以用以下代码快速校验结果：

print(baseFinal[["Data Faturamento", "Data Entrega"]].head())

如果存在少量格式不匹配的异常值，可以在pd.to_datetime()里加errors='coerce'参数，把解析失败的值转为空值NaT方便后续排查。

内容的提问来源于stack exchange，提问作者Luiz Ribeiro