当遇到”DataFrame.dtypes for data must be int, float or bool”报错时，直接原因是你的时间数据列类型不是数值类型，需要先将其转换为int或float，再使用pd.to_datetime进行转换。
int转时间报错：DataFrame.dtypes must be int, float or bool 原因分析
这个报错信息来自pandas库，在调用pd.to_datetime时触发，它要求传入的数据必须是数值类型，但很多情况下时间戳列由于包含空值、字符串或混合类型，被pandas识别为object,导致转换失败。
常见错误场景
- 从CSV或Excel导入时间戳时，列中混入了空字符串或非数字字符,整列类型变为object。
- 时间戳是字符串形式的整数，1609459200″，直接传入pd.to_datetime。
- 数据中虽有数字，但存在缺失值或NaN，且类型为float64，这本身不会报错，但如果缺失值以字符串”NaN”形式存在,就会变成object。
- 使用了unit参数（如unit=’s’），但数据不是数值类型,pandas无法判断单位。
如何确认数据类型
用df.dtypes查看时间列，如果显示object，就需要转换，更细粒度可以用df[‘col’].apply(type).value_counts(),查看每个元素的具体类型分布。
pandas时间戳转换错误：秒转日期时间的正确方法
解决这个报错只需三步：清洗、类型转换、时间转换,下面从秒时间戳转换开始说明。
第一步：强制转换为数值类型
使用pd.to_numeric，将字符串或混合类型统一转为float64,非法值变为NaN。
df['timestamp'] = pd.to_numeric(df['timestamp'], errors='coerce')
- errors=’coerce’将无法转换的变为NaN,保留数值部分。
- 如果数据中全是整数，后续可以用astype(int)进一步转换,但通常float64也能满足时间转换需求。
第二步：处理缺失值
pd.to_datetime默认遇到NaN会报错，除非设置errors=’coerce’,建议先选择保留或填充。
df = df.dropna(subset=['timestamp']) # 丢弃 # 或 df['timestamp'].fillna(0, inplace=True) # 填充为0
第三步：转换时间
df['datetime'] = pd.to_datetime(df['timestamp'], unit='s')
完整示例
假设你有一个日志文件,时间戳列是字符串形式的秒数。
import pandas as pd
df = pd.read_csv('log.csv')
print(df['time'].dtype) # object
df['time'] = pd.to_numeric(df['time'], errors='coerce')
df = df.dropna(subset=['time'])
df['time'] = df['time'].astype(int)
df['datetime'] = pd.to_datetime(df['time'], unit='s')
实操步骤：处理毫秒和微秒时间戳
毫秒时间戳
如果时间戳是13位毫秒，unit=’ms’即可，注意数值可能超过int32范围,建议用float64或int64。
df['timestamp'] = pd.to_numeric(df['timestamp'], errors='coerce') df['datetime'] = pd.to_datetime(df['timestamp'], unit='ms')
微秒时间戳
16位微秒，unit=’us’。
混合单位场景
如果数据来源不同，时间戳单位不一致，可以先统一单位，将所有秒时间戳乘以1000转为毫秒，再统一转换，但更可靠的做法是：判断数值范围,写一个自定义函数。
def convert_to_datetime(series):
max_val = series.max()
if max_val > 1012: # 毫秒或微秒
# 进一步判断
unit = 'ms' if max_val < 1015 else 'us'
else:
unit = 's'
return pd.to_datetime(series, unit=unit)
如何避免这个报错：数据预处理的最佳实践
在读取时指定类型
在pd.read_csv中直接指定dtype,避免类型被推断为object。
df = pd.read_csv('data.csv', dtype={'timestamp': 'float64'})
使用astype直接转换
如果确定数据全是数字字符串，可以用astype(int)或astype(float)。
df['timestamp'] = df['timestamp'].astype(float)
行业共识：先清洗后转换
业内专家指出，大部分时间处理错误源于数据质量，而非函数本身，在进入pd.to_datetime之前，花30秒检查数据类型,能节省大量调试时间。
表格对比：不同时间戳单位转换参数
| 时间戳位数 | 常见单位 | 转换参数 | 示例值 |
|---|---|---|---|
| 10位 | 秒 | unit=’s’ | 1609459200 |
| 13位 | 毫秒 | unit=’ms’ | 1609459200000 |
| 16位 | 微秒 | unit=’us’ | 1609459200000000 |
| 19位 | 纳秒 | unit=’ns’ | 1609459200000000000 |
注意：pandas默认使用纳秒，如果时间戳单位是秒但没有指定unit，会得到错误结果,所以必须显式指定unit参数。
其他相关报错与联系
与”Unknown string format” 报错区别
“Unknown string format” 发生在数据是字符串格式的日期（如”2021-01-01″）时，但你没有指定format或数据格式不一致,而本错误专门针对数值类型要求。
与pd.to_timedelta的关系
pd.to_timedelta同样需要数值类型，错误信息类似,解决方法相同。
Q&A 关于int转时间报错的常见问题
问题1：我的时间戳列显示int64，为什么还会报这个错？
回答： 如果你的列类型是int64，原则上不会报这个错，请检查列名是否正确，或者是否在操作中无意中改变了类型，常见情况是：你使用了类似df[‘timestamp’] = df[‘timestamp’].astype(str)进行了转换，建议用df.dtypes确认当前列类型。
问题2：pd.to_numeric之后，转换时间还是报错”cannot convert float NaN to integer”？
回答： 这是因为pd.to_numeric产生的NaN在后续astype(int)时会失败，解决方案：不要先转int，直接用float时间戳配合pd.to_datetime，它支持float，如果一定要转int,先用fillna或dropna处理NaN。
问题3：时间戳是13位数字，但转出来的时间总是1970年，怎么办？
回答： 13位数字通常代表毫秒，但如果你用unit=’s’，会被当作秒，导致结果在1970年附近，正确做法是使用unit=’ms’，如果不确定单位，可以计算时间戳的范围：如果数值在10^12量级，通常是毫秒；在10^9量级是秒。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/int%e8%bd%ac%e6%97%b6%e9%97%b4%e6%8a%a5%e9%94%99dataframe%e7%b1%bb%e5%9e%8b%e6%80%8e%e4%b9%88%e5%8a%9e%ef%bc%8c%e4%bb%80%e4%b9%88%e5%8e%9f%e5%9b%a0%ef%bc%9f/
