从CSV切换至SQL数据源后，Pandas转换超2261日期报错求助

这个报错的核心原因很明确：Pandas默认的datetime64[ns]数据类型有严格的时间范围限制——它只能处理1677-09-21 00:12:43.145225到2262-04-11 23:47:16.854775807之间的日期，而你的数据里存在9999-12-31这种远超上限的极端日期，自然会触发OutOfBoundsDatetime错误。

针对从SQL Server读取数据的场景，你可以尝试以下几种解决方案：

方案1：在SQL查询阶段提前处理超范围日期 #

最省心的方式是直接在SQL语句里把超出Pandas支持范围的日期替换掉，比如把9999-12-31改成Pandas能识别的最大合法日期，或者转换成字符串标记：

SELECT 
    CASE 
        WHEN maturity_date > '2262-04-11' THEN '2262-04-11' 
        ELSE CONVERT(VARCHAR, maturity_date, 23) 
    END AS maturity_date
FROM your_table

这样读取到Pandas里的日期都是合法范围，后续转换不会报错。

方案2：先处理DataFrame中的超范围日期再转换 #

如果你想在Python端处理，可以先筛选出超范围的日期字符串，替换后再转datetime：

import pandas as pd

# 读取SQL数据（保持maturity_date为object类型）
df_With_NaN = pd.read_sql(strSql, pyodbc.connect(connstr))

# 保留你之前处理大于2261年日期的逻辑
m = df_With_NaN['maturity_date'].str[:4].astype(float) > 2261
df_With_NaN['maturity_date'] = df_With_NaN['maturity_date'].mask(m, '2261' + df_With_NaN['maturity_date'].str[4:])

# 单独处理9999-12-31这类极端日期
df_With_NaN['maturity_date'] = df_With_NaN['maturity_date'].replace('9999-12-31', '2262-04-11')

# 现在可以安全转换为datetime类型
df_With_NaN['maturity_date'] = pd.to_datetime(df_With_NaN['maturity_date'])

方案3：保留object类型存储日期（不转换为datetime） #

如果你的业务不需要对日期做时间运算，只是展示或简单筛选，可以直接保留object类型（字符串形式），跳过转换步骤：

df_With_NaN = pd.read_sql(strSql, pyodbc.connect(connstr))
# 只处理大于2261年的日期，不转datetime
m = df_With_NaN['maturity_date'].str[:4].astype(float) > 2261
df_With_NaN['maturity_date'] = df_With_NaN['maturity_date'].mask(m, '2261' + df_With_NaN['maturity_date'].str[4:])

方案4：使用errors='coerce'参数强制转换（超范围日期转为NaT） #

如果可以接受超范围日期变成缺失值（NaT），可以直接用这个参数：

df_With_NaN['maturity_date'] = pd.to_datetime(df_With_NaN['maturity_date'], errors='coerce')

之后你可以再用fillna()把NaT替换成你需要的默认值。

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