我一直在使用 AWS S3 存储桶中存在的数据 (csv)。当我提取数据时，我必须将所有列转换为其正确的 dtypes。
除 datetime64 类型外，所有其他 dtypes 都正常工作。 在下面的第一张图片中 - 我正在打印provider_dob，这是所需的格式，datetime64
但是，我稍后在我的代码中打印了dtypes并说它现在是一个对象？ 下面是我的代码片段。
我不知道如何合理化这一点，需要第二双眼睛。
你遇到的问题很常见，原因在于
pandas NaT (Not a Time)
的处理方式。虽然
pd.to_datetime()
可以成功地将大部分日期字符串转换为 datetime64 类型，但它会将无法解析的日期字符串（例如空字符串或格式错误的日期）转换为 NaT。
NaT 本身并不是 datetime64 类型，而是 pandas 用来表示缺失时间戳的特殊标记。
当一列同时包含 datetime64 和 NaT 时，pandas 会将整列的数据类型显示为
object
，以便容纳 NaT。
解决方法：
-
数据清洗： 在使用
pd.to_datetime()之前，先检查并清理数据中的缺失值或格式错误的日期。你可以使用以下方法： -
填充缺失值： 使用
fillna()方法用特定日期或平均日期填充缺失值。python df['provider_dob'] = pd.to_datetime(df['provider_dob']).fillna(pd.Timestamp('1900-01-01')) -
删除包含缺失值的行： 使用
dropna()方法删除包含 NaT 的行。python df.dropna(subset=['provider_dob'], inplace=True) -
转换错误格式： 使用
errors参数控制pd.to_datetime()的行为。errors='coerce'会将无法解析的日期转换为 NaT，而errors='raise'会引发错误。python df['provider_dob'] = pd.to_datetime(df['provider_dob'], errors='coerce') -
数据类型转换： 在清理数据后，如果确认所有日期字符串都已成功转换为 datetime64，可以使用
astype()方法将整列的数据类型强制转换为 datetime64[ns]。
python
df['provider_dob'] = df['provider_dob'].astype('datetime64[ns]')
总结：
为了避免
pd.to_datetime()
导致数据类型不一致的问题，你需要先清洗数据，处理好缺失值和格式错误的日期，然后再进行类型转换。