<p>NumPy datetime64数组支持原生减法，同dtype下a - b直接返回timedelta64数组；推荐统一用'M8[D]'初始化，提取天数用.astype(int)或/np.timedelta64(1,'D')，NaT需用np.isnat()检测。</p>
直接用 - 运算符相减，结果就是 np.timedelta64
NumPy 的 datetime64 数组支持原生减法，只要两个数组 dtype 一致（如都是 'M8[D]' 或自动对齐），a - b 会直接返回 timedelta64 数组。不需要调用额外函数或转换为 Python datetime。
- 若输入是字符串或
object类型数组，先用np.array(..., dtype='M8[D]')强制转为日期类型，否则减法会报TypeError: ufunc subtract cannot use operands with types - 推荐统一用
'M8[D]'（天粒度）初始化，避免因默认纳秒精度导致差值过大（如1 days显示为86400000000000ns） - 示例：
import numpy as np a = np.array(['2023-01-01', '2023-01-10'], dtype='M8[D]') b = np.array(['2022-12-25', '2023-01-01'], dtype='M8[D]') diff = a - b # → array([6, 9], dtype='timedelta64[D]')
提取天数整数值：用 .astype(int) 或 /.astype('timedelta64[D]')
timedelta64 数组本身不直接显示“天数数字”，需显式转换才能得到纯整数（比如用于后续计算或绘图）。两种主流方式效果相同，但行为有细微差别：
-
diff.astype(int)：直接转为 Python int 数组，单位由原始timedelta64的时间单位决定（如原为[D]，结果就是天数；若原为[ns]，结果是纳秒数，易出错） -
(diff / np.timedelta64(1, 'D')).astype(int)：显式归一化到天，更安全，尤其当输入精度不一致时（例如一个数组是'M8[s]'，另一个是'M8[D]'） - 避免用
diff.astype('int')——这是旧写法，已弃用；必须用int（无引号）或np.int64
处理缺失值（NaT）时差值会变成 NaT，不是 NaN
NumPy 时间运算中，任一操作数为 np.datetime64('NaT')，结果即为 NaT（Not a Time），它和浮点 NaN 不同，不能直接用 np.isnan() 检测，必须用 np.isnat()：
- 错误写法：
np.isnan(diff)→ 全False，即使含NaT - 正确写法：
np.isnat(diff)→ 返回布尔数组，标出无效差值位置 - 填充或过滤：
diff = np.where(np.isnat(diff), np.timedelta64('NaT'), diff)或diff[~np.isnat(diff)] - 若需转为浮点并用
NaN表示，可先转天数再用np.where(np.isnat(diff), np.nan, diff.astype(int))
跨年/闰年/时区不影响计算，但要注意起止时间是否包含时分秒
NumPy datetime64 默认按“日历日”做差，自动处理闰年、大小月，无需额外逻辑。真正影响结果的是时间精度：
立即学习“Python免费学习笔记（深入）”；
- 若数组 dtype 是
'M8[D]'，则'2023-01-01'和'2023-01-02'相差1天，无论具体时刻 - 若 dtype 是
'M8[s]'或未指定，字符串如'2023-01-01'会被解释为'2023-01-01T00:00:00'，此时'2023-01-01T23:59:59' - '2023-01-01T00:00:00'得到86399 seconds，不是1 day - 结论：明确指定
dtype='M8[D]'是最省心的做法；若原始数据含时分秒又想按“日历日”算，先用.astype('M8[D]')截断
实际项目里最容易漏掉的是 dtype 统一和 NaT 检测——前者导致静默错误（比如差值巨大却以为是正常天数），后者让后续 mean() 或 sum() 直接返回 NaT 而非报错。
