pd.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=False)
arg ：指定转换的数据对象，可以是整型、浮点型、字符串、列表、元组、一维数组、 Serise 、 DataFrame 和字典
errors ：设置出错提示方式，可选 {"ignore","raise","coercec"} ，默认值为 "raise" ，如果转换失败，则给出出错提示信息； "ignore" 则不出发出错提示信息； "coercec" 在转换过程存在无效时间值时，自动转为 NaT 值
dayfirst ：指定 arg 参数转换时的顺序，设置为 True 时，则先转换日期，再转换时间，默认值为 False
yearfirst ：值为 True 时则先转换日期，默认值为 False
utc ：值为 True 返回 UTC DatetimeIndex ，默认值为 None
box ：默认值为 True 返回 DatetimeIndex 或相关索引对象；值为 False 则返回多维数组
format ：字符串，跟单网www.gendan5.com默认值为 None ，指定字符串时间转化为时间时的 strftime 的格式，类似 strftime 方法转化为时间的使用方法
exact ：默认值为 True 表示精确匹配格式，值为 False 则允许匹配目标字符串中的任何位置
unit ：字符串，默认值为 "ns" ，对转换对象指定时间单位（ D 天、 s 秒、 ma 毫秒、 ns 纳秒）
infer_datetime_format ：默认值为 False ，如果为 True ，且没有给出转换固定格式（ format 参数），且字符串日期时间格式确定，则可以提高转换速度
origin ：确定日期的开始点，默认值为 "unix" ，则日期的开始点为 1970-01-01 ，若提供值为 Timestamp 日期，则以 Timestamp 的起点日期作为开始点日期
cache ：默认值为 False ，如果为 True ，则是用唯一的转换日期缓存来应用日期时间转换，解析重复的日期字符串时可以提高转换速度
import pandas as pdfrom datetime import datetime
filename = r"D:\data_test.xlsx"
df = pd.read_excel(filename)
print(df.head())print("="*30)print(df.info())
name gender birthday start_work income tel email \
0 赵一 男 1989/8/10 2012-09-08 15000 13611011234 zhaoyi@qq.com
1 王二 男 1990/10/2 2014-03-06 12500 13500012234 wanger@163.com
2 张三 女 1987/3/12 2009-01-08 18500 13515273330 zhangsan@qq.com
3 李四 女 1991/8/16 2014-06-04 13000 13923673388 lisi@gmail.com
4 刘五 女 1992/5/24 2014-08-10 8500 17823117890 liuwu@qq.com
other
0 { 教育：本科，专业：电子商务，爱好：运动 }
1 { 教育：大专，专业：汽修，爱好： }
2 { 教育：本科，专业：数学，爱好：打篮球 }
3 { 教育：硕士，专业：统计学，爱好：唱歌 }
4 { 教育：本科，专业：美术，爱好： }
==============================
RangeIndex: 8 entries, 0 to 7
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 name 8 non-null object
1 gender 8 non-null object
2 birthday 8 non-null object
3 start_work 8 non-null datetime64[ns]
4 income 8 non-null int64
5 tel 8 non-null int64
6 email 8 non-null object
7 other 8 non-null object
dtypes: datetime64[ns](1), int64(2), object(5)
memory usage: 640.0+ bytes
None
df.birthday=pd.to_datetime(df.birthday,format="%Y-%m-%d")
df.info()
1
2
RangeIndex: 8 entries, 0 to 7
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 name 8 non-null object
1 gender 8 non-null object
2 birthday 8 non-null datetime64[ns]
3 start_work 8 non-null datetime64[ns]
4 income 8 non-null int64
5 tel 8 non-null int64
6 email 8 non-null object
7 other 8 non-null object
dtypes: datetime64[ns](2), int64(2), object(4)
memory usage: 640.0+ bytes
data = pd.DataFrame({" 客户 ":[" 李 "," 张 "," 刘 "," 宋 "]," 工资 ":[3500,2500,1500,500]," 日期 ":["2020-11-19","2020-11-20","2020-12-19","2020-12-20"]},index = ["A","B","C","D"])print(data.info)
A 李 3500 2020-11-19
B 张 2500 2020-11-20
C 刘 1500 2020-12-19
D 宋 500 2020-12-20>