Python2中Pandas to_datetime转换9999-12-31时触发纳秒越界错误

我太懂这个坑了！在Python2对应的旧版Pandas里，用pd.to_datetime处理9999年这种极端日期确实会触发纳秒范围错误，核心原因是Pandas默认的datetime64[ns]类型有严格的范围限制——大概是公元1677年到2262年，9999年远远超出了这个区间。下面给你几个完整的解决方案，按需选择：

1. 直接保留原生datetime对象（最简单） #

如果你不需要把这个日期转换成Pandas的Timestamp类型，只是想让转换操作不报错，直接用errors='ignore'参数就行。当转换失败时，Pandas会直接返回原来的Python原生datetime.datetime对象：

import pandas as pd

big_date = pd.datetime(9999, 12, 31)
big_date2 = pd.to_datetime(big_date, errors='ignore')
print(big_date2)  # 输出: 9999-12-31 00:00:00

这个方案的好处是零成本，缺点是返回的不是Pandas的时间类型，如果你后续要把它放到DataFrame里做时间相关的运算，可能会有兼容性问题。

2. 转换为低精度的Pandas时间类型 #

如果你需要把它转换成Pandas支持的时间类型，又不想丢失这个日期，可以降低时间精度，比如用微秒（datetime64[us]）或者毫秒（datetime64[ms]）来存储，这些类型的范围要宽得多：

# 方法1：先转字符串再解析，指定精度
big_date_str = big_date.strftime('%Y-%m-%d %H:%M:%S')
big_date2 = pd.to_datetime(big_date_str).astype('datetime64[us]')

# 方法2：直接构造低精度Timestamp
from pandas import Timestamp
big_date2 = Timestamp(big_date, unit='us')

这样得到的是Pandas的时间对象，能正常参与大部分时间运算，唯一的 trade-off 是精度从纳秒降到了微秒/毫秒，不过对于9999年这种远日期来说，这个精度损失基本可以忽略。

3. 数据框批量处理场景 #

如果是在DataFrame里批量处理这类极端日期，可以指定列的 dtype 为object来存储原生datetime对象，或者在pd.to_datetime里全局设置errors='ignore'：

df = pd.DataFrame({'date': [big_date, pd.datetime(2020, 1, 1)]})
df['date'] = pd.to_datetime(df['date'], errors='ignore')

这样既保留了正常日期的Timestamp类型，又让极端日期以原生datetime的形式存在。

另外提一句，等你迁移到Python3和新版本Pandas后，这个问题会有所缓解——新版本对极端日期的处理更灵活，可能会自动降级精度或者提供更多参数选项，但上述方案在旧版本里依然是可靠的。

内容的提问来源于stack exchange，提问作者user7969724