Pandas to_datetime()转换时日期小于13日交换日和月的问题求助

这个问题我之前踩过一模一样的坑！核心原因是pd.to_datetime()的自动解析逻辑会优先尝试MM/DD/YYYY（美式日期）格式，当你的日份≤12时，它会误以为这是月份，导致日月颠倒；而当日份≥13时，因为没有13月，它才会按DD/MM/YYYY（欧式日期）解析，所以才出现“一半正确一半错”的诡异情况。

最直接的解决方案：指定日期格式 #

别让Pandas瞎猜日期规则，直接告诉它你的原始字符串格式是DD/MM/YYYY，用format参数强制解析逻辑：

# 针对你的日期格式：11/06/2015（日/月/年）
tmp = pd.to_datetime(tmp, format='%d/%m/%Y')

如果你的日期包含时分秒（比如11/06/2015 09:30:00），就把格式调整为：

tmp = pd.to_datetime(tmp, format='%d/%m/%Y %H:%M:%S')

这里的格式符对应含义：

• %d：两位数字的日（01-31）
• %m：两位数字的月（01-12）
• %Y：四位数字的年（2015）
• %H:%M:%S：24小时制的时分秒

为什么你之前的方法没效果？ #

• unit="ns"是用来处理时间戳数值的（比如从1970年开始的纳秒数），完全不适用字符串日期的解析场景；
• strftime()是把datetime对象转换成字符串，不是解析字符串，而且你用的%#m/%#d/%Y本身就是月/日/年的格式，自然会把所有日期的日月颠倒；
• 循环修改的问题在于：你在循环里对t重新赋值，只是修改了循环变量的副本，并没有改变原Series中的元素（Python的datetime是不可变对象），所以完全起不到作用。

进阶：读取文件时直接解析日期 #

可以在read_csv阶段就指定日期列和解析规则，一步到位：

# 假设日期数据在第0列（根据你的实际列索引修改）
df = pd.read_csv(
    PATH+file,
    header=None,
    error_bad_lines=False,
    sep='\t',
    parse_dates=[0],  # 指定要解析成日期的列
    date_parser=lambda x: pd.to_datetime(x, format='%d/%m/%Y')
)

处理格式不统一的情况 #

如果你的数据里有少数格式不一致的日期，可以加上errors='coerce'参数，把无法解析的日期转为NaT（缺失值），方便后续排查：

tmp = pd.to_datetime(tmp, format='%d/%m/%Y', errors='coerce')

内容的提问来源于stack exchange，提问作者Oumab10