创建新列时Pandas datetime64[D]日期转换失效问题

核心原因：Pandas的datetime列默认是纳秒精度 #

你遇到的问题其实是Pandas的设计特性导致的：Pandas的datetime类型列（也就是datetime64[ns]）是固定使用纳秒精度的。当你把numpy的datetime64[D]数组赋值给DataFrame列时，Pandas会自动把它转换回datetime64[ns]类型——它不会保留numpy的日精度datetime作为列的 dtype。

举个直观的例子：你单独运行df2['date'].values.astype('datetime64[D]')得到的确实是datetime64[D]的numpy数组，但一旦把这个数组放到Pandas的列里，Pandas就会“自动修正”类型，回到它默认的纳秒精度。这是因为Pandas的DatetimeArray（支撑datetime列的底层结构）是专门为纳秒粒度设计的，目的是统一处理各种时间场景，避免类型混乱。

满足需求的正确做法 #

如果你想要的是只保留日期、去掉时间部分的效果，不需要强行追求datetime64[D]类型（因为Pandas不支持把它作为列类型），推荐用以下两种方式实现：

1. 截断时间到日期精度
   使用dt.floor('D')或者dt.normalize()方法，把时间部分截断到当天的00:00:00，结果还是datetime64[ns]类型，但实际效果和你想要的datetime64[D]完全一致：

   # 两种方法二选一
   df2['date'] = df2['date'].dt.floor('D')
   df2['date'] = df2['date'].dt.normalize()
   

2. 若仅需numpy层面的日精度数组
   如果你只是需要在numpy操作中使用datetime64[D]数组，可以单独保存它，但不要赋值给Pandas列：

   date_d_array = df2['date'].values.astype('datetime64[D]')
   # 这个数组是datetime64[D]类型，但无法直接作为Pandas列存在
   

另外，你尝试的df2.assign(date=newcol)方法没生效，是因为assign默认返回新的DataFrame，不会修改原DataFrame，除非你把结果重新赋值给原变量：

df2 = df2.assign(date=newcol)

但即使这么做，最终列的类型还是会被Pandas转成datetime64[ns]，原因和之前一样。

验证效果 #

执行截断操作后，查看列内容：

print(df2['date'])

输出会是：

0   2015-10-05
1   2015-10-05
2   2015-10-06
3   2015-10-06
4   2015-10-06
5   2015-12-18
Name: date, dtype: datetime64[ns]

虽然dtype显示还是datetime64[ns]，但时间部分已经被完全移除，完全满足你需要的日期精度需求。

内容的提问来源于stack exchange，提问作者singularity2047