本文详解如何在读取 excel 文件后，针对被自动解析为 datetime 类型的列（尤其是日期型列头或数据列），精准剥离时间部分，保留纯日期格式（如 2022-10-31），并避免常见类型转换陷阱。
本文详解如何在读取 excel 文件后，针对被自动解析为 datetime 类型的列（尤其是日期型列头或数据列），精准剥离时间部分，保留纯日期格式（如 2022-10-31），并避免常见类型转换陷阱。
在使用 pandas.read_excel() 读取 .xlsm 文件时，若列标题（如 "20221031"）被 Excel 识别为日期格式，Pandas 有时会将整列（甚至列名本身）隐式解析为 datetime64[ns] 类型，导致显示为 2022-10-31 00:00:00。用户常误以为只需对数据列调用 .dt.strftime() 即可解决，但该方法返回的是字符串（object 类型），不仅丧失日期语义，还可能干扰后续时间序列运算；而更优解是统一转为 Python 原生 date 对象或 datetime64[D] 类型。
✅ 正确做法：使用 .dt.date() 提取日期对象（返回 object 类型，但每个元素为 datetime.date 实例），或更推荐 .dt.date.astype(str) 转为标准日期字符串：
import pandas as pd
# 示例：读取文件（注意 header=0 默认将首行作列名，日期列名可能已被解析）
df = pd.read_excel("data.xlsm")
# 遍历所有列，仅对 datetime 类型列进行处理
for col in df.columns:
if pd.api.types.is_datetime64_any_dtype(df[col]):
# ✅ 推荐：转为 date 类型（保持轻量、语义清晰）
df[col] = df[col].dt.date
# 或转为 ISO 格式字符串（便于展示/导出）：
# df[col] = df[col].dt.strftime('%Y-%m-%d')⚠️ 特别注意：
- 若目标是修改列名（即 header 本身含时间戳），上述代码无效——因为 df.columns 是索引对象，需单独处理：
# 若列名被错误解析为 Timestamp，先转为字符串再截取 df.columns = [ col.strftime('%Y-%m-%d') if isinstance(col, pd.Timestamp) else col for col in df.columns ] - .dt.date() 返回 object dtype，虽可读性强，但不支持向量化日期运算；如需计算（如加减天数），应改用 df[col].dt.normalize()（保留 datetime64[ns] 类型，时间部分归零）或 df[col].dt.floor('D')。
- 预防优于修复：读取时可通过 parse_dates=False 禁用自动解析，或用 dtype={col: str} 显式指定列类型，再手动转换。
总结：移除时间戳的核心在于区分「数据列」与「列名」场景，并根据下游需求选择 .dt.date()（语义优先）、.dt.strftime()（展示优先）或 .dt.normalize()（计算优先）。始终优先验证 df.dtypes，确保类型转换符合预期。
