多数情况下无需指定format参数，但遇到混合日期格式（如“2024年3月15日”“15/03/2024”混用）时必须显式传入，否则自动推断会失败或误判；中文字符须原样写入format字符串，格式不匹配将报ValueError。
to_datetime 的 format 参数到底要不要用
多数情况下，pd.to_datetime 自动推断日期格式是够用的，但一旦遇到「2024年3月15日」「15/03/2024」「2024-03-15 14:30」混在一起的列，自动推断会失败或误判（比如把 01/02/2024 当成 1月2日而非2月1日）。这时候必须显式传 format 参数——不是可选优化，而是必要手段。
常见非标准格式对应的标准 format 字符串
别靠记忆拼写，直接对照用。注意：中文字符（如「年」「月」「日」）必须原样写进 format 字符串里，不能省略或替换为斜杠。
-
2024年3月15日→format='%Y年%m月%d日' -
15/03/2024→format='%d/%m/%Y'（不是%m/%d/%Y） -
2024-03-15 14:30:05.123→format='%Y-%m-%d %H:%M:%S.%f' -
Mar 15, 2024→format='%b %d, %Y'（%b是英文缩写，%B是全称）
漏掉秒、毫秒、空格或中英文标点不匹配，都会报 ValueError: time data ... doesn't match format。
批量处理多种格式时，不能只靠一个 format
如果一列里混着至少两种格式（比如既有 2024-03-15 又有 15/03/2024），硬塞一个 format 会崩。此时有两个务实选择：
立即学习“Python免费学习笔记（深入）”；
- 用
errors='coerce'先转一次，查出 NaT 的位置，再单独处理那部分数据 - 用
apply+ 多条件判断，例如：df['date'] = df['raw'].apply(lambda x: pd.to_datetime(x, format='%Y-%m-%d', errors='coerce') if '/' not in str(x) else pd.to_datetime(x, format='%d/%m/%Y', errors='coerce')) - 更稳的做法：先用
str.contains分组，再对每组调用带对应format的to_datetime
别迷信 infer_datetime_format=True，它只加速已知单一格式的解析，对混合格式无效，还可能因缓存导致后续解析出错。
format 解析失败时的调试技巧
报错信息里通常会显示「parsed string」和「expected format」，但实际问题常在细节：
- 字符串开头/结尾有空格？先做
.str.strip() - 存在全角数字或空格（比如来自 Excel 粘贴）？用
.str.replace(' ', ' ').str.replace('０', '0')清洗 - 年份只有两位（
24/03/15）？format='%y/%m/%d'会按 1924 年解析，得加yearfirst=True或手动补全 - 含时区缩写（如
CST）？format不支持时区解析，得用parse_dates+date_parser
最有效的调试方式：取前 5 行手工验证 format 字符串是否能 datetime.strptime(x, format) 成功——绕过 pandas，直击核心逻辑。
