如何让pandas.read_csv()将指定列解析为日期时间类型，其余列按字符串类型读取？

嘿，这个需求我之前处理过好几次，刚好有两个实用的方法可以帮你搞定，既能保留像邮编这类带前导零的字符串数据，又能把指定列解析成日期时间类型：

• 方法一：结合dtype和parse_dates快速实现
  这是最直接的方式，先用dtype=str指定所有列默认以字符串类型读取，再用parse_dates参数单独指定要解析为日期时间的列，pandas会自动优先处理这个列的类型转换：

  import pandas as pd
  
  df = pd.read_csv(
      '你的数据文件.csv',
      dtype=str,
      parse_dates=['send_date']
  )
  

  这样一来，除了send_date会被解析成datetime64类型外，其他所有列都会保持字符串格式，像带前导零的邮编、编号这类数据就不会被自动转成数字而丢失信息了。

• 方法二：用converters参数做更灵活的控制
  如果你需要指定具体的日期格式（比如YYYY-MM-DD或者MM/DD/YYYY），或者对异常日期值做自定义处理，就可以用converters参数：

  import pandas as pd
  
  # 自定义日期转换函数，这里可以指定格式，还能处理异常值
  def convert_date(date_str):
      try:
          return pd.to_datetime(date_str, format='%Y-%m-%d')
      except ValueError:
          # 遇到不符合格式的日期可以返回NaT或者自定义值
          return pd.NaT
  
  df = pd.read_csv(
      '你的数据文件.csv',
      dtype=str,
      converters={'send_date': convert_date}
  )
  

  这里的format参数能让解析速度更快，也能避免pandas自动猜测格式出错；try-except块则可以处理那些格式不规范的日期值，避免程序报错中断。

另外提个小细节：如果你的数据里有缺失值，用dtype=str会把缺失值存为NaN（属于object类型），如果想要严格的字符串缺失标识，可以换成dtype='string'（pandas 1.0及以上版本支持），这时缺失值会变成pd.NA，更符合字符串类型的逻辑。

内容来源于stack exchange