生日列里同时有 2026/3/1 和 2026-03-01 两种写法，to_datetime 加 errors='coerce' 之后 8 万行有 2.4 万行变成 NaT，入库全为空，控制台一条警告都没有。日志里能对上时间点，这种反而好排。
解析器默认按第一行推断格式，后面格式不一致的值直接判失败。coerce 把异常吞成 NaT，统计时只看到空值率变高，看不到原始报错。这一点先确认清楚，后面就不用反复试。
df = pd.read_csv(path, dtype=str) d = pd.to_datetime(df['birth'], format='mixed', errors='coerce') bad = df[d.isna() & df['birth'].notna()]
「日期格式混用」排查到最后往往是很小的一处差异，前面那些复杂猜测可以先放一放。先做最小复现，能稳定跑出来的问题，排查成本会低一个数量级。
别只看报错的最后一行，往上看几行，真正的起因通常在上面。同类问题如果隔一段时间又出现，多半是某个定时任务或重启流程把改动冲掉了。
处理上按这个顺序：pandas 2.0 以上显式写 format='mixed' 让它逐值推断；低版本先按分隔符分两批解析 再合并结果；把转换失败的原始字符串单独落一张表 便于回溯。
结果对不对很好判断，NaT 行数从 2.4 万降到 0，bad 表里只剩原本就为空的 37 行，抽样日期与源文件一致。