一份导出的订单表，日期列里有的写成 2024/3/5，有的写成 2024-03-05 08:30:00，还有几行是空的。跑一遍 pd.to_datetime，结果整列变成 object，或者冒出一串 NaT。查起来很烦，规律其实就那么几条。

先确认这一列是什么类型

用 dtypes 看一眼，是 object 说明里面混着字符串和空值，是 datetime 说明已经转好了。已经转好的列再转一次，格式参数对不上反而会把好数据变 NaT。

转之前把前后空格和全角字符处理掉，导出的表格里这两种情况特别多，肉眼看不出来，解析时直接失败。

指定 format 又快又稳

格式统一的数据，把 format 写成 %Y-%m-%d %H:%M:%S 这类明确的形式，解析速度比让它自己猜快很多，也避免了歧义。数据量上百万行的时候，这个差别非常明显。

格式不统一，可以先按主要格式转一次，把剩下的缺失行挑出来单独处理。较新版本的 pandas 支持给 format 传一个列表，让它按几种格式依次尝试，省掉手写分支。

确实有脏数据又不想逐条查，把 errors 设成 coerce，转不了的置为 NaT，再单独看这些行。默认的 raise 会在第一个坏值处直接抛错，排查小文件还行，大文件很折磨人。

时间戳和时区

列里是纯数字的，八成是时间戳，要加 unit 参数，按秒给 s，按毫秒给 ms，弄错了会差出几十年，转出来是 1970 年附近就是单位不对。带时区的数据加 utc 参数先统一到 UTC，再按需要换成本地时区，别直接截字符串。

日期顺序别猜

3/4 到底是三月四日还是四月三日，取决于数据来源，工具猜不准。有这种列，先问清楚来源系统的习惯，必要时用 dayfirst 明确指定。猜错一次，后面所有按月的统计全歪，而且不报错，最难发现。

处理时间列的思路就一句：先看数据长什么样，再决定要不要指定格式，指望工具自动识别，早晚踩坑。