pandas.to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, box=True, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=True) [source]
将参数转换为datetime。
参数： | arg ：
0.18.1版中的新功能：或类似 errors ： 默认为 如果为 如果为 如果为 dayfirst ： 如果 则指定日期解析顺序。 如果为 例如12/10/11解析为2012-11-10。 警告： 但更喜欢使用day first进行解析（ 这是一个已知的错误，基于dateutil的行为）。 yearfirst ： 如果 如果True解析日期以年份为第一， 则将10/11/12解析为2010-11-12。 如果 则在 警告： 但更喜欢使用 （这是一个已知的错误，基于 版本0.16.1中的新功能。 utc ： 如果为 （也转换任何支持tz的datetime.datetime对象）。 box： boolean，默认为True 如果True返回DatetimeIndex或类似Index的对象 如果为False，则返回值的ndarray。 从0.25.0版开始不推荐使用： Series.to_numpy()或Timestamp.to_datetime64() 分别使用或分别获取值或 format ：
请注意， 有关选择的更多信息， 请参见 strftime-and-strptime-behavior exact ： 如果为 如果为 unit ：
它是整数或浮点数。这将基于原点。 例如，对于 这将计算到 infer_datetime_format ： 如果为 请尝试推断日期时间字符串的格式， 如果可以推断出日期格式， 请切换到解析它们的更快方法。 在某些情况下，这可以使解析速度提高约5-10倍。 origin ： 定义参考日期。自该参考日期以来， 数值将被解析为单位数（由unit定义）。 如果是 原点设置为1970-01-01。 如果为 并且原点设置为Julian Calendar的开头。 Julian天数0被指定为 从公元前4713年1月1日正午开始的那一天。 如果时间戳可转换， 则将原点设置为由原点标识的时间戳。 0.20.0版中的新功能。 cache ： 如果为 则使用唯一的转换日期缓存来应用datetime转换。 解析重复的日期字符串时， 尤其是带有时区偏移的日期字符串时， 可能会大大提高速度。 0.23.0版中的新功能。 在0.25.0版中进行了更改： -将默认值从 |
返回值： | ret ： 日期时间（如果解析成功）。 返回类型取决于输入： list-like：DatetimeIndex Series：datetime64 dtype Series scalar：时间戳(Timestamp) 如果无法返回指定的类型 （例如，当输入的任何元素 在 ，则返回将具有 （或对应的 |
例子
从DataFrame的多个列中组合一个日期时间。键可以是常见的缩写，例如['year'，'month'，'day'，'minute'，'second'，'ms'，'us'，'ns']）或相同的复数形式
>>> df = pd.DataFrame({'year': [2015, 2016],
... 'month': [2, 3],
... 'day': [4, 5]})
>>> pd.to_datetime(df)
0 2015-02-04
1 2016-03-05
dtype: datetime64[ns]如果日期不符合时间戳限制，则传递errors ='ignore'将返回原始输入，而不引发任何异常。
如果将error ='coerce'传递给NaT，则除了将非日期（或不可解析的日期）强制为NaT外，还将对NaT强制执行越界日期。
>>> pd.to_datetime('13000101', format='%Y%m%d', errors='ignore')
datetime.datetime(1300, 1, 1, 0, 0)
>>> pd.to_datetime('13000101', format='%Y%m%d', errors='coerce')
NaT传递infer_datetime_format = True通常可以加快解析速度，如果解析不是完全采用ISO8601格式，而是采用常规格式
>>> s = pd.Series(['3/11/2000', '3/12/2000', '3/13/2000'] * 1000)
>>> s.head()
0 3/11/2000
1 3/12/2000
2 3/13/2000
3 3/11/2000
4 3/12/2000
dtype: object
>>> %timeit pd.to_datetime(s,infer_datetime_format=True) # doctest: +SKIP
100 loops, best of 3: 10.4 ms per loop
>>> %timeit pd.to_datetime(s,infer_datetime_format=False) # doctest: +SKIP
1 loop, best of 3: 471 ms per loop
使用Unix纪元时间
>>> pd.to_datetime(1490195805, unit='s')
Timestamp('2017-03-22 15:16:45')
>>> pd.to_datetime(1490195805433502912, unit='ns')
Timestamp('2017-03-22 15:16:45.433502912')
警告: 对于float arg，可能会发生精确舍入。为防止意外行为，请使用固定宽度的精确类型。
使用非unix纪元原点
>>> pd.to_datetime([1, 2, 3], unit='D',
... origin=pd.Timestamp('1960-01-01'))
DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'], dtype='datetime64[ns]', freq=None)