如何解决Python Pandas DataFrame的‘纳秒时间戳越界’错误？

这个错误的根源很明确：numpy的datetime64[ns]（也是pandas默认的日期存储类型）有严格的范围限制——它只能表示1677-09-21到2262-04-11之间的日期。你用的1452年远远早于这个起始点，自然会触发越界错误，而2017年在范围内，所以能正常运行。

针对你的实际需求（读取含早期日期的CSV并转为合适的日期格式），这里有几个可行的解决方案：

1. 强制使用天精度的datetime64类型 #

numpy的datetime64[D]（天精度）支持的日期范围要宽泛得多，可以覆盖你需要的1452年。在创建DataFrame或者转换列时，明确指定这个 dtype，避免pandas自动转成ns精度：

生成示例数据时的写法 #

import pandas as pd
import numpy as np

# 创建DataFrame时指定列的dtype为datetime64[D]
df = pd.DataFrame(
    {'Date': np.arange('1452-04-15', '1519-05-02', dtype='datetime64[D]')},
    dtype='datetime64[D]'
)

读取CSV时的写法 #

# 直接读取时指定日期列的dtype
df = pd.read_csv(
    'your_early_dates.csv',
    parse_dates=['Date'],
    dtype={'Date': 'datetime64[D]'}
)

# 如果自动解析有问题，读取后手动转换
df['Date'] = df['Date'].astype('datetime64[D]')

2. 使用Python原生datetime对象存储 #

如果需要更灵活的日期操作（比如处理更极端的早期日期），可以将日期列转为Python的datetime对象（存储为pandas的object类型）：

df['Date'] = pd.to_datetime(df['Date'], errors='coerce').dt.to_pydatetime()

这种方式几乎没有日期范围限制，但要注意object类型的运算效率会比numpy的datetime64稍低。

3. 使用pandas Period类型 #

pandas的Period类型专门用于处理时间周期，支持的日期范围非常广，适合历史研究类的场景：

# 将日期列转为天周期的Period类型
df['Date'] = pd.to_datetime(df['Date']).dt.to_period('D')

使用Period的话，你可以方便地进行年份、月份的加减等操作，但要注意它的API和普通datetime64略有不同。

内容的提问来源于stack exchange，提问作者GoCurry