解析失败时先检查脏数据，用errors="coerce"定位NaT；OutOfBoundsDatetime因纳秒范围限制，多格式混杂需归一化再解析；时区不一致或NaT会导致静默错误，须提前清理并统一基准。
pd.to_datetime() 解析失败时先看错误类型
遇到 ParserError 或 OutOfBoundsDatetime 不要急着改格式字符串，先确认输入里有没有脏数据——比如空字符串、"NULL"、带中文的“2023年5月1日”、或明显越界的日期如 "9999-99-99"。pandas 默认对异常值直接报错，不是忽略。
- 用
errors="coerce"把解析失败的转成NaT，快速定位问题行：pd.to_datetime(df["date_col"], errors="coerce") - 如果报
OutOfBoundsDatetime，说明 pandas 用的是纳秒级时间戳（范围约 ±2262 年），而你的日期超出了这个范围；此时要么过滤掉，要么用errors="ignore"保留原始字符串（但后续无法做时间运算） - 中文/混合字符必须显式指定
format或用infer_datetime_format=False，否则infer_datetime_format=True会跳过非标准格式直接失败
format 参数不是万能的，但不写往往更慢
当列中所有日期格式统一（如全是 "2023-05-01 14:30:00"），硬写 format="%Y-%m-%d %H:%M:%S" 比让 pandas 自推快 3–5 倍；但如果格式混杂（比如同时有 "2023/05/01" 和 "01-May-2023"），写死 format 会导致大量 NaT。
- 优先尝试
pd.to_datetime(series, infer_datetime_format=True)—— 它只在首 100 行采样推断，速度快且覆盖常见 ISO 格式 - 若推断失败，再用
unique()看下实际有哪些格式：df["date_col"].dropna().unique()[:10] - 多格式混杂时，别硬扛：先用
.str.replace()归一化（比如把斜杠全换横杠），再统一解析
时区处理不当会让结果差 8 小时
没有显式时区信息的字符串（如 "2023-05-01"）被解析后是 tz-naive，和带时区的 tz-aware 时间计算时会报 TypeError；更隐蔽的问题是，用 .dt.tz_localize("Asia/Shanghai") 后没立刻 .dt.tz_convert("UTC")，就直接和其他 UTC 时间比大小，结果可能偏移一整天。
- 读取时就定好时区：
pd.to_datetime(series).dt.tz_localize("Asia/Shanghai") - 跨时区比较前务必统一基准：
ts_utc = ts_sh.tz_convert("UTC") - 存 CSV 前记得去掉时区（否则再读会变字符串）：
df["time"].dt.tz_localize(None)
resample 和 dt accessor 的坑：NaT 会静默消失
df.set_index("time").resample("D").sum() 这类操作遇到 NaT 索引时不会报错，而是直接丢掉整行——看着结果少了几天，却找不到原因。同理，df["time"].dt.month 对 NaT 返回 NaN，但如果你后续用它做分组，NaN 组会被忽略。
立即学习“Python免费学习笔记（深入）”；
- 检查索引是否含
NaT：df.index.isna().sum() - resample 前先清理：
df = df.dropna(subset=["time"]).set_index("time") - 用
.dt属性前确认无NaT，或用.dt.month.fillna(0)显式处理缺失
最麻烦的不是语法错，而是时间列里混了 NaT 或时区状态不一致，这种问题跑完模型才发现，得倒回去一行行查。
