嘿，我来帮你搞定这个datetime类型转换的问题！你碰到的情况其实很常见：当你的日期范围超出了Pandas默认datetime64[ns]的覆盖区间时，数据就会被当成object类型存储，自然没法用.dt访问器了。

为什么会出现这个问题？ #

Pandas默认的datetime64[ns]（纳秒精度）能覆盖的时间范围大概是公元1677年到2262年，你的例子里既有公元108年的早期日期，又有2529年的远期日期，都超出了这个范围，所以导入后dtype变成了object。

解决方法：指定更宽范围的datetime精度 #

我们可以通过指定更低的时间精度（比如毫秒、秒）来扩展datetime的覆盖范围，这些精度对应的时间区间足够覆盖公元1年到9999年：

• datetime64[ms]：覆盖公元1年1月1日到9999年12月31日（保留毫秒精度）
• datetime64[s]：覆盖公元1年1月1日到9999年12月31日（保留秒精度）

具体代码实现 #

先看你的原始代码：

import pytz
from datetime import datetime
import pandas as pd

df = pd.DataFrame({
    'dates': [
        datetime(108, 7, 30, 9, 25, 27, tzinfo=pytz.utc),
        datetime(2018, 3, 20, 9, 25, 27, tzinfo=pytz.utc),
        datetime(2529, 7, 30, 9, 25, 27, tzinfo=pytz.utc)
    ]
})

# 查看原始dtype，会输出object
print(df['dates'].dtype)

接下来执行转换，这里以datetime64[ms]为例：

# 转换为datetime64[ms]类型，保留时区信息
df['dates'] = pd.to_datetime(df['dates'], dtype='datetime64[ms]')

# 查看转换后的dtype，会输出datetime64[ms, UTC]
print(df['dates'].dtype)

如果不需要毫秒级精度，也可以用秒精度：

df['dates'] = pd.to_datetime(df['dates'], dtype='datetime64[s]')

验证.dt访问器可用 #

转换完成后，你就可以正常使用.dt访问器提取日期属性了：

# 提取年份、月份、小时等信息
df['year'] = df['dates'].dt.year
df['month'] = df['dates'].dt.month
df['hour'] = df['dates'].dt.hour

print(df)

输出结果会包含你需要的日期拆分字段，完全符合预期~

内容的提问来源于stack exchange，提问作者Heikki