pandas使用pd.to_datetime转换公元1年时间戳报错如何解决？

报错原因 #

pandas默认使用datetime64[ns]（纳秒精度）存储时间，该类型仅支持1677-09-21到2262-04-11范围内的时间，公元1年的时间超出了这个范围，所以会触发OutOfBoundsDatetime报错。你之前用apply转成Python原生datetime对象后，pandas会将其识别为object类型，因此无法支持时间索引的相关操作。

解决方案 #

方案1：使用非纳秒精度的datetime64类型（推荐） #

降低时间存储精度后，datetime64的支持范围会大幅扩大，比如datetime64[ms]（毫秒精度）可覆盖公元前29万年到公元29万年的时间，完全满足你的需求：

import pandas as pd

# 单值转换
pd.to_datetime('15-Jan-0001 00:00:00', format='%d-%b-%Y %H:%M:%S', dtype='datetime64[ms]')

# 批量转换序列
time_series = pd.Series(['15-Jan-0001 00:00:00', '01-Mar-0010 12:30:00'])
converted_series = pd.to_datetime(time_series, format='%d-%b-%Y %H:%M:%S', dtype='datetime64[ms]')

转换后的数据类型为datetime64[ms]，设为索引后可正常使用.loc进行时间查询、切片操作。

方案2：使用PeriodIndex（兼容低版本pandas） #

如果你的pandas版本低于2.0，对非纳秒精度的datetime支持不完善，可以用固定精度的Period类型存储时间：

import pandas as pd
import datetime

time_series = pd.Series(['15-Jan-0001 00:00:00', '01-Mar-0010 12:30:00'])
# freq参数根据你的时间精度调整，按天用'D'、按小时用'H'、按分钟用'T'
converted_series = pd.PeriodIndex(
    time_series.apply(lambda x: datetime.datetime.strptime(x, '%d-%b-%Y %H:%M:%S')),
    freq='H'
)

Period类型作为索引时，也完全支持.loc的各类时间操作。

注意事项 #

• 优先选择和原始数据匹配的最低精度，既能扩大时间支持范围，也不会浪费存储空间
• 如需使用方案1，建议升级到pandas 2.0及以上稳定版本，避免出现兼容性问题

内容的提问来源于stack exchange，提问作者K. Shores