**
to_datetime函数可以用来批量处理日期数据转换，可以将日期数据转换成你需要的各种格式。
**
如: 13-oct-18 ， 10/13/18 ， 2018.10.13 ， 2018/10/13， 20181013 ， 转换成 2018-10-13
to_datetime(arg,errors=“ignore”,dayfirst=False,yearfirst=False,utc=None,box=True,format=None,exact=True,unit=None,inter_datetime=False,origin=“unix”,cache=False)
#参数
#arg 字符串，日期时间，字符串数组
#errors 值为ignore,raise,coerce 默认值为ignore,即忽略错误
ignore 无效的解析将返回原值
raise 无效的解析将引发异常
coerce 无效的解析将被设置为NaT 既无法转换为日期的数据将被转换为NaT
注释：解析----应该是对字段中的每一个元素进行操作
#dayfirst 第一个值设置为天，布尔型，默认为False 如 02-08-2012 解析日期与原日期一致
2012-02-08 如果为True 则为2012-08-02
#yearfirst 第一个值设置为年，布尔型，默认为False 如 02-03-20 解析日期与原日期一致 2020-03-02
如果为True 则为2002-02-20
#utc 默认值为none 返回utc即协调世界时间
#box 布尔值 默认值为True 如果为True，返回DatetimeIndex,如果为False,则返回ndarray
#format 格式化显示时间的格式。字符串，默认值为None
#exact 布尔值 默认值为True 如果为True,则要求格式完全匹配 如果为False
则要求格式与目标字符串中的任何位置匹配
#unit 默认值为None 参数的单位(D,s,ms,μs,ns）表示时间的单位
#infer_date_format 默认值为False 如果没有格式 则尝试
根据第一个日期时间字符串推断格式
#origin 默认值为unix 定义参考日期 数值将被解析为单位数
#cache 默认值为False 如果值为True,则使用唯一，转换日期的缓存应用日期时间转换。
在解析重复日期字符串，特别是带有时区偏移的字符串时，可能会产生明显的加速。只有在至少50个值时才使用缓存。
越界值的存在将使缓存不可用，并可能减慢解析速度
#返回值 日期时间
data_time = {"原日期":["02-08-18","02-Feb-18","02/08/18","020818","02-08/18"]} #创建时间列 不同格式及类型的时间数据
data_table = pd.DataFrame(data_time) #创建一个包含时间列的二维表格
data_table
输出如下:
原日期
0 02-08-18
1 02-Feb-18
2 02/08/18
3 020818
4 02-08/18
data_table["原日期"] #取出原日期这一列并观察它的数据类型
0 02-08-18
1 02-Feb-18
2 02/08/18
3 020818
4 02-08/18
Name: 原日期, **dtype: object** 这里日期为字符串类型
pd.to_datetime(data_table["原日期"]) #将原日期转换为时间格式并统一
0 2018-02-08
1 2018-02-02
2 2018-02-08
3 2018-02-08
4 2018-02-08
Name: 原日期, **dtype: datetime64[ns]** 这里日期转化为日期类型
data_table["原日期"] = pd.to_datetime(data_table["原日期"]) #将转换后的日期与原来的日期替换 改变原有字段列的内容
data_table
原日期
0 2018-02-08
1 2018-02-02
2 2018-02-08
3 2018-02-08
4 2018-02-08
```
