终于解决了一些问题，但我想知道这是否是最好的解决方案？

dt = pd.DatetimeIndex ( dt ).astype ( np.int64 )/1000000

干杯。

使用view方法（文档）：

from pandas import Series
from datetime import date
df = Series([date(2007,4,30), date(2007,5,31), date(2007,6,30), date(2007,7,31), date(2007,8,31)], dtype='datetime64')
df.view('int64')

输出是：

0    1177891200000000000
1    1180569600000000000
2    1183161600000000000
3    1185840000000000000
4    1188518400000000000
dtype: int64

这是我发现的最快的两种方法，并与它们各自的运行时一起显示。使用长度约为 30k 的序列对 1000 次迭代的结果进行平均。

df['date'].view('int64')

平均 运行时间：58us

df['date'].astype(np.int64)

平均 运行时间：98us

注意 1：根据您机器的架构（32 位与 64 位），pandas 和 numpy 可能以不同的单位存储时间。我已经看到有关版本之间行为变化的评论。

注意 2：在处理大型数据集时，请考虑使用无符号整数，因为您的时间始终为正数。此外，您可能不需要纳秒精度，在这种情况下转换为秒可能会允许进一步向下转换。