pandas to_datetime()の使い方｜文字列の日付変換と format・NaT 対処を初心者向けに解説

CSVを読み込んだあと、日付列が文字列のままで困ったことはありませんか？

見た目は日付でも、object 型のままだと、日付順に並び替えられなかったり、条件抽出や月ごとの集計がしにくかったりします。
そんなときに使うのが pd.to_datetime() です。

結論からいうと、日付列を日付として扱いたいなら、まず pd.to_datetime() を使います。

特に、次の3つを先に押さえると迷いにくいです。

• 日付として比較・抽出・集計したい → pd.to_datetime()
• 書式がそろっている → format= を検討する
• 変換できない値を洗い出したい → errors="coerce" を使う

pd.to_datetime() の目的は、見た目が日付の文字列を、並び替え・抽出・集計に使える“本当の日付データ”へ変えることです。

この記事では、pd.to_datetime() の基本的な使い方から、format= の考え方、errors="coerce" の使いどころ、NaT の確認方法まで、初心者向けに順番に解説します。

この記事でわかること

• pd.to_datetime() が必要になる場面
• 文字列の日付列を datetime 型へ変換する基本手順
• format= と errors="coerce" の使い分け
• NaT が出たときに何を確認すればよいか
• 変換後にできる日付抽出・並び替え・月別集計の入口
• astype() と to_datetime() の違い

目次

1. なぜ日付列を datetime 型に変える必要があるのか
2. to_datetime() の基本と最初に覚える判断基準
3. format= と errors=”coerce” を使った失敗しにくい変換手順
4. to_datetime() と astype() の違い
5. 変換後にできること
6. よくある失敗例と対処
7. 前処理の流れの中での位置づけ
8. まとめ
9. 関連記事
10. FAQ

関連トピック

このテーマは、Pandasの前処理の流れの中では次の位置づけです。

DataFrame入門 → CSV読込 → 型確認 → 日付変換（今回） → 欠損対応 → 抽出・並び替え → 集計

あわせて読むと理解しやすい記事:

• Pandas DataFrame入門｜作り方・基本操作をわかりやすく解説
• Google Colab CSV 読み込み＆保存入門｜pandasでread_csvとto_csvを徹底解説
• Pandas info()とdescribe()の違い｜欠損値・型・統計量の見方を例で解説

なぜ日付列を datetime 型に変える必要があるのか

CSVを読み込んだ直後は、日付列が文字列のままになっていることがあります。
見た目は日付でも、Pandasにとってはまだ「日付として使える列」ではありません。

たとえば、次のようなことをしたい場面です。

• 2024年4月以降のデータだけ取り出したい
• 日付順に並び替えたい
• 月ごとの売上を集計したい

このような操作をするなら、まず日付列を datetime 型に変換するのが基本です。
つまり、この記事で最初に答えるべき問いへの答えは次のとおりです。

CSVで読み込んだ列を日付として比較・抽出・並び替え・集計したいなら、pd.to_datetime() に変換する意味があります。

文字列のままでも見た目は日付に見えますが、実際には扱い方がかなり変わります。

文字列のまま	datetime型に変換後
文字列順で並んでしまうことがある	日付順で正しく並べやすい
月ごとの集計がしにくい	年・月・日を取り出して集計しやすい
条件抽出で書き方に迷いやすい	日付として自然に比較できる
欠損や異常値を見つけにくい	NaT として確認しやすい

日付として比較・抽出・集計したいなら、最初に pd.to_datetime() で日時型に変えるのが基本です。

実際には、文字列のままだと「見た目は日付なのに、日付としては扱えない」という状態になりやすいです。

たとえば、日付列を文字列のまま並び替えると、期待した順番にならないことがあります。
まずは、文字列のまま並び替えた例を見てみましょう。

import pandas as pd

sort_df = pd.DataFrame({
    "注文日": ["2024-1-10", "2024-1-2", "2024-1-30"],
    "売上": [1200, 800, 1500]
})

sort_df.sort_values("注文日")

	注文日	売上
0	2024-1-10	1200
1	2024-1-2	800
2	2024-1-30	1500

この結果は、文字列としての順番で並んでいます。
そのため、日付順に見たいときには不便です。

次に、pd.to_datetime() で変換してから並び替えてみます。

sort_df["注文日"] = pd.to_datetime(sort_df["注文日"])
sort_df.sort_values("注文日")

	注文日	売上
1	2024-01-02	800
0	2024-01-10	1200
2	2024-01-30	1500

このように、datetime 型に変えておくと、日付として自然に並び替えや比較ができるようになります。

つまり pd.to_datetime() は、単なる変換ではなく、
「日付列を前処理の中で使える状態に整える処理」 と考えると分かりやすいです。

まずは、CSV読込後によくある状態を再現してみます。
ここでは StringIO を使って、Colab上でそのまま試せる小さなCSVデータを用意します。

※ ここでは説明用に StringIO を使っています。実務では pd.read_csv("ファイル名.csv") のように、CSVファイルを直接読むことが多いです。

import pandas as pd
from io import StringIO

csv_data = StringIO("""注文日,商品,売上
2024-04-01,りんご,1200
2024-04-03,みかん,900
2024-04-05,バナナ,1500
2024-05-01,ぶどう,1100
""")

orders_df = pd.read_csv(csv_data)
orders_df

	注文日	商品	売上
0	2024-04-01	りんご	1200
1	2024-04-03	みかん	900
2	2024-04-05	バナナ	1500
3	2024-05-01	ぶどう	1100

orders_df の 注文日 は、見た目は日付でも、まだ文字列として扱われていることがあります。
型を確認してみましょう。

orders_df.dtypes

	0
注文日	object
商品	object
売上	int64

dtype: object

注文日 が object なら、まだ文字列です。
この状態で日付として使いたいなら、to_datetime() を検討します。

to_datetime() の基本と最初に覚える判断基準

初心者のうちは、次の判断基準を最初に持っておくと迷いにくいです。

• 日付で比較・抽出・並び替え・集計したいなら to_datetime() を使う
• 文字列の形式がそろっているなら format= を検討する
• 変換エラーが気になるなら errors="coerce" で壊れた値を洗い出す
• 汎用的な型変換は astype()、日付変換は to_datetime() と考える

まずは、いちばん基本の形です。

orders_df["注文日"] = pd.to_datetime(orders_df["注文日"])
orders_df.dtypes

	0
注文日	datetime64[ns]
商品	object
売上	int64

dtype: object

注文日 が datetime64[ns] になれば成功です。
これで 注文日 を「日付として使える列」に変えられました。

基本形は次の1行です。

df["日付列"] = pd.to_datetime(df["日付列"])

このように、変換した結果を列へ代入するのが基本です。

format= と errors=”coerce” を使った失敗しにくい変換手順

to_datetime() は、単に変換するだけでなく、形式を明示したり、変換できない値を見つけたりできるのが強みです。

format= を使うとき

文字列の日付形式がそろっているなら、format= を使うと意図がはっきりします。
たとえば、2024/04/01 のような形式なら、%Y/%m/%d を指定できます。

ここで迷いやすいのが、format= を書くべきかどうかです。

判断の目安は次の通りです。

• 列の書式がそろっている → format= を指定しやすい
• / と - が混ざるなど、書式がばらついている → まず列の中身を確認する
• 壊れた値や空欄が混ざっていそう → errors="coerce" で様子を見る

つまり、format= は「毎回必ず書くもの」ではなく、
書式がそろっている列を、安定して変換したいときに使う指定です。

sales_df = pd.DataFrame({
    "注文日": ["2024/04/01", "2024/04/03", "2024/04/05"],
    "商品": ["りんご", "みかん", "バナナ"],
    "売上": [1200, 900, 1500]
})

sales_df["注文日"] = pd.to_datetime(sales_df["注文日"], format="%Y/%m/%d")
sales_df

	注文日	商品	売上
0	2024-04-01	りんご	1200
1	2024-04-03	みかん	900
2	2024-04-05	バナナ	1500

迷ったときは、次の順で考えると整理しやすいです。

1. まず列の中身を見る
2. 書式がそろっていれば format= を使う
3. 壊れた値がありそうなら errors="coerce" で確認する

この順で考えると、format= を無理に書いて失敗することが減ります。

形式がそろっていると分かっている場合は、format= を使うことで「この形の日付として読む」という意図を明確にできます。

errors=”coerce” を使うとき

実務では、日付列に変換できない値が混ざることがあります。
そんなときに便利なのが errors="coerce" です。
変換できない値はエラーではなく NaT になります。

NaT は、datetime型における「欠損」のようなものです。

dirty_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024-04-31", "2024/05/02", "不明", None],
    "商品": ["りんご", "みかん", "バナナ", "ぶどう", "もも"],
    "売上": [1200, 900, 1500, 1100, 980]
})

dirty_df["注文日_変換後"] = pd.to_datetime(dirty_df["注文日"], errors="coerce")
dirty_df

	注文日	商品	売上	注文日_変換後
0	2024-04-01	りんご	1200	2024-04-01
1	2024-04-31	みかん	900	NaT
2	2024/05/02	バナナ	1500	NaT
3	不明	ぶどう	1100	NaT
4	None	もも	980	NaT

この例では、次のような値が NaT になる可能性があります。

• 存在しない日付（例: 2024-04-31）
• 日付として読めない文字列（例: 不明）
• 欠損値（None）

この使い方のよいところは、どの行が壊れているかをあとから確認しやすいことです。

NaT が出たあとに、どの行が欠損扱いになったかを確認したい場合は、
isnull() の使い方 もあわせて見ると流れがつかみやすいです。

dirty_df[dirty_df["注文日_変換後"].isna()]

	注文日	商品	売上	注文日_変換後
1	2024-04-31	みかん	900	NaT
2	2024/05/02	バナナ	1500	NaT
3	不明	ぶどう	1100	NaT
4	None	もも	980	NaT

変換に失敗した行だけを抜き出せるので、前処理の見直しがしやすくなります。

format= と errors=”coerce” はどう使い分けるか

初心者向けに整理すると、使い分けは次のように考えると分かりやすいです。

状況	まず考えたい書き方
形式がそろっている	pd.to_datetime(..., format="...")
壊れた値が混ざるかもしれない	pd.to_datetime(..., errors="coerce")
形式も怪しく、まず実態を見たい	errors="coerce" で NaT を確認してから整える

迷ったときは、最初に errors="coerce" で実態を把握し、その後に format= を詰める流れが安全です。

errors=”raise” はどんなときに使う？

errors="coerce" は、変換できない値を NaT にして処理を先へ進めたいときに便利です。
一方で、どの値が原因で変換に失敗したのかをその場で知りたいときは、errors="raise" を使います。

使い分けの目安は次の通りです。

指定	変換できない値があったとき	向いている場面
errors="coerce"	NaT にする	まず全体を確認したいとき
errors="raise"	エラーで止まる	原因をその場で特定したいとき

初心者のうちは、まず coerce で全体を確認し、必要に応じて raise で原因を特定する流れが扱いやすいです。

test_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024-04-31", "2024-04-03"]
})

pd.to_datetime(test_df["注文日"], errors="raise")

このコードでは、存在しない日付 2024-04-31 が含まれているため、エラーになります。

つまり errors="raise" は、「変換を進める」より「原因を特定する」ための指定です。
反対に、いったん NaT にして後で確認したいときは errors="coerce" が向いています。

to_datetime() と astype() の違い

astype() も型変換の関数なので、「日付列も astype() でよいのでは？」と迷いやすいです。
ただし、初心者向けには次の整理が分かりやすいです。

観点	to_datetime()	astype()
主な役割	日付・時刻への変換	汎用的な型変換
日付文字列への向き・不向き	日付変換に向いている	日付専用ではない
format= 指定	できる	できない
errors="coerce" のような失敗値処理	できる	できない
初心者が最初に使うべき場面	日付列を整えたいとき	数値型・文字列型などを変えたいとき

つまり、日付列を扱うなら to_datetime()、一般的な型変換なら astype() と考えると整理しやすいです。

数値や文字列の型変換をまとめて確認したい場合は、次の記事も役立ちます。
https://pythondatalab.com/pandas-astype/

迷ったら、日付列にはまず pd.to_datetime() を使うと覚えておくと大きく外しにくいです。

astype() は文字列・数値・整数・小数などの型変換でよく使いますが、
日付や時刻として扱いたい列では、to_datetime() を先に検討するのが基本です。

文字列・数値・整数・小数など、日付以外の型変換を整理したい場合は、
astype() の使い方 の記事もあわせて読むと違いがよりはっきりします。

変換後にできること

datetime 型に変えると、主にできることは次の3つです。

• 日付で絞り込む
• 日付順に並び替える
• 月ごとに集計する

日付列を datetime 型に変える意味は、ここからはっきりしてきます。
まずは扱いやすいサンプルデータを用意します。

orders_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024-04-03", "2024-04-05", "2024-05-01", "2024-05-10"],
    "商品": ["りんご", "みかん", "バナナ", "ぶどう", "もも"],
    "売上": [1200, 900, 1500, 1100, 980]
})

orders_df["注文日"] = pd.to_datetime(orders_df["注文日"])
orders_df

	注文日	商品	売上
0	2024-04-01	りんご	1200
1	2024-04-03	みかん	900
2	2024-04-05	バナナ	1500
3	2024-05-01	ぶどう	1100
4	2024-05-10	もも	980

日付で絞り込む

たとえば、2024年5月以降のデータだけを取り出すなら、次のように書けます。

orders_df[orders_df["注文日"] >= "2024-05-01"]

	注文日	商品	売上
3	2024-05-01	ぶどう	1100
4	2024-05-10	もも	980

日付列を変換したあとに条件で絞り込む流れは、
pandas 条件抽出（filtering）入門 につながります。

日付順に並び替える

日付列が datetime 型なら、sort_values() でも自然に扱えます。

orders_df.sort_values("注文日", ascending=False)

	注文日	商品	売上
4	2024-05-10	もも	980
3	2024-05-01	ぶどう	1100
2	2024-04-05	バナナ	1500
1	2024-04-03	みかん	900
0	2024-04-01	りんご	1200

日付順の並び替えをもう少し整理して学びたい場合は、
pandas 並び替え（sort）入門 も役立ちます。

月ごとに集計する

月別集計の入口として、dt.to_period("M") を使うと「月単位」にまとめやすくなります。

monthly_sales = (
    orders_df.groupby(orders_df["注文日"].dt.to_period("M"))["売上"]
    .sum()
    .reset_index()
)

monthly_sales

	注文日	売上
0	2024-04	3600
1	2024-05	2080

このように、to_datetime() は単なる変換で終わりません。
その後の抽出・並び替え・集計に進むための前処理として大事な役割があります。

条件抽出をもう少し整理して学びたい場合は、
pandas 条件抽出（filtering）入門 がつながります。

日付列を整えたあとに集計へ進みたい場合は、
Pandas groupby×aggの使い方 に進むと、前処理から集計への流れがつながります。

よくある失敗例と対処

ここでは、初心者がつまずきやすいポイントを3つに絞って整理します。

1. 形式が混在していて思った通りに変換できない

日付列の中に 2024-04-01 と 2024/04/02 のような形式の違いが混ざっていると、扱いにくくなることがあります。
まずは errors="coerce" で壊れる値を見つけると整理しやすいです。

mixed_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024/04/02", "2024-04-03", "2024/13/01"]
})

mixed_df["注文日_変換後"] = pd.to_datetime(mixed_df["注文日"], errors="coerce")
mixed_df

	注文日	注文日_変換後
0	2024-04-01	2024-04-01
1	2024/04/02	NaT
2	2024-04-03	2024-04-03
3	2024/13/01	NaT

形式がそろっていないときは、最初から厳密に format= を当てにいくより、
いったん NaT を確認してから、どの形式にそろえるか考えるほうが安全です。

形式が混在しているときは、すぐに複雑な処理を書くよりも、まず表記をそろえてから再変換するほうが分かりやすいです。

たとえば、/ と - が混ざっているだけなら、文字列を少し整えてから to_datetime() を使えます。

mixed_df["注文日_整形後"] = mixed_df["注文日"].str.replace("/", "-", regex=False)
mixed_df["注文日_変換後_再試行"] = pd.to_datetime(mixed_df["注文日_整形後"], errors="coerce")
mixed_df

	注文日	注文日_変換後	注文日_整形後	注文日_変換後_再試行
0	2024-04-01	2024-04-01	2024-04-01	2024-04-01
1	2024/04/02	NaT	2024-04-02	2024-04-02
2	2024-04-03	2024-04-03	2024-04-03	2024-04-03
3	2024/13/01	NaT	2024-13-01	NaT

このように、確認 → 整形 → 再変換 の順で進めると、原因を切り分けやすくなります。

なお、整形しても NaT のまま残る値がある場合は、単なる記号の違いではなく、
存在しない日付や空欄などが含まれている可能性があります。

2. 存在しない日付が混ざっている

2024-04-31 のように、見た目は日付でも実在しない値は変換できません。
この場合も errors="coerce" を使えば、変換できない値だけが NaT になります。

invalid_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024-04-31", "2024-05-03"]
})

invalid_df["注文日_変換後"] = pd.to_datetime(invalid_df["注文日"], errors="coerce")
invalid_df

	注文日	注文日_変換後
0	2024-04-01	2024-04-01
1	2024-04-31	NaT
2	2024-05-03	2024-05-03

存在しない日付は、表記ゆれではなく値そのものが正しくないため、整形だけでは直りません。
まず coerce で NaT にして見つけ、元データを確認する流れが分かりやすいです。

「怪しい値を洗い出したい」ときは coerce、
「その場でエラーにして原因を特定したい」ときは raise、と考えると整理しやすくなります。

3. 変換したのに反映されない

これはとても多いミスです。
pd.to_datetime(df["注文日"]) を実行しただけでは、元のDataFrameの列が自動で置き換わるとは限りません。

次のコードを見てみましょう。

check_df = pd.DataFrame({
    "注文日": ["2024-04-01", "2024-04-03", "2024-04-05"]
})

pd.to_datetime(check_df["注文日"])
check_df.dtypes

	0
注文日	object

dtype: object

この場合、pd.to_datetime(...) の結果は作られていますが、check_df["注文日"] に代入していないため、元の列の型は変わりません。

よくある書き方	結果
pd.to_datetime(check_df["注文日"])	変換結果は作られるが、元の列は変わらない
check_df["注文日"] = pd.to_datetime(check_df["注文日"])	元の列が datetime 型に変わる

反映されない理由

• 変換結果を変数や列に代入していない
• 元のDataFrameではなく、別のコピーを見ている
• 変換後の列名を間違えて確認している

基本は次の形です。

df["注文日"] = pd.to_datetime(df["注文日"])

「実行したのに変わらない」と感じたら、まず dtypes を見て、本当に列型が変わったか確認するのがおすすめです。

前処理の流れの中での位置づけ

to_datetime() は、Pandas全体の流れの中では 前処理の一部 です。
位置づけを整理すると、次のようになります。

1. CSVを読み込む
2. head() や info() で中身と型を確認する
3. 数値列は astype() や to_numeric()、日付列は to_datetime() で整える
4. 必要なら isnull() や fillna() で欠損対応する
5. filtering や sort、groupby で分析する
6. 必要ならグラフにする

この流れが見えていると、to_datetime() を単なる文法としてではなく、
「日付列を分析できる状態にするための処理」 として理解しやすくなります。

関連して読みやすい記事:

• Pandas head()の使い方｜先頭の表示・行数指定を例で解説
• Pandas info()とdescribe()の違い｜欠損値・型・統計量の見方を例で解説
• 欠損値を可視化して攻略！Pandas isnullとヒートマップ活用術
• pandas fillna()の使い方｜欠損値を0・平均値・中央値・最頻値で埋める方法を初心者向けに解説

まとめ

pandas to_datetime() は、文字列の日付列を datetime 型へ変えるための基本機能です。
この記事では、初心者がまず押さえたいポイントを絞って見てきました。

• 日付で扱いたい列なら、まず to_datetime() を検討する
• 形式がそろっているなら format= を使うと意図が明確になる
• 壊れた値を見つけたいなら errors="coerce" が便利
• 原因をその場で特定したいなら errors="raise" も役立つ
• NaT は datetime型における欠損のようなもの
• datetime 型に変えると、日付抽出・並び替え・月別集計へ自然につなげやすい

大切なのは、to_datetime() を単なるAPIとして覚えるのではなく、
CSV読込後に日付列を分析しやすい形へ整える処理 として理解することです。

まずは df.info() で日付列が object のままになっていないか確認し、
文字列のままなら pd.to_datetime() を試してみましょう。

日付列を整えたあとに、実際に条件で絞り込む流れまで進めたい場合は、次に pandas 条件抽出（filtering）入門 を読むとつながりやすいです。

次に読みたい関連記事

次に読むなら、次の順番がおすすめです。

1. Google Colab CSV 読み込み＆保存入門｜pandasでread_csvとto_csvを徹底解説
2. Pandas info()とdescribe()の違い｜欠損値・型・統計量の見方を例で解説
3. pandas astype()の使い方｜文字列・数値への型変換とエラー対処を初心者向けに解説
4. pandas 条件抽出（filtering）入門｜AND/OR・query関数・複数条件の指定方法
5. pandas 並び替え（sort）入門｜sort_values・sort_indexの違いと複数列ソート
6. Pandas groupby×aggの使い方｜基本の集計とaggの書き方を例で解説

▲ ページトップへ戻る