使用to_datetime将字符串转换为datetime，然后减去日期时间1970-1-1，并调用dt.total_seconds()：

In [2]:
import pandas as pd
import datetime as dt
df = pd.DataFrame({'date':['2011-04-24 01:30:00.000']})
df

Out[2]:
                      date
0  2011-04-24 01:30:00.000

In [3]:
df['date'] = pd.to_datetime(df['date'])
df

Out[3]:
                 date
0 2011-04-24 01:30:00

In [6]:    
(df['date'] - dt.datetime(1970,1,1)).dt.total_seconds()

Out[6]:
0    1303608600
Name: date, dtype: float64

您可以看到，将此值转换回来会产生相同的时间：

In [8]:
pd.to_datetime(1303608600, unit='s')

Out[8]:
Timestamp('2011-04-24 01:30:00')

因此，您可以添加新列或覆盖：

In [9]:
df['epoch'] = (df['date'] - dt.datetime(1970,1,1)).dt.total_seconds()
df

Out[9]:
                 date       epoch
0 2011-04-24 01:30:00  1303608600

编辑

更好的方法是@Jeff：

In [3]:
df['date'].astype('int64')//1e9

Out[3]:
0    1303608600
Name: date, dtype: float64

In [4]:
%timeit (df['date'] - dt.datetime(1970,1,1)).dt.total_seconds()
%timeit df['date'].astype('int64')//1e9

100 loops, best of 3: 1.72 ms per loop
1000 loops, best of 3: 275 µs per loop

您还可以看到，它的速度明显加快

我知道这是旧的，但我相信正确的（和最干净的）方式是下面的一行：

calls['DATE'].apply(lambda x: x.timestamp())

假设calls['DATE']是datetime64[ns]类型。如果不是，请转换为：

pd.to_datetime(calls['DATE'], format="%Y-%m-%d %H:%m:00.000")

说明

要获取pd.Timestamp的历元值（以秒为单位），请用途：

pd.Timestamp('20200101').timestamp()

这应该会给予你1577836800.0。如果你愿意的话，你可以转换成int。它是浮点的原因是因为任何亚秒的时间都会在小数部分。
您还可以获取原始纪元值（单位为纳秒）：

pd.Timestamp('20200101').value

给出1577836800000000000，它是上述日期的epoch。.value属性是epoch之后的纳秒数，因此除以1e6可得到毫秒。如果希望epoch以秒为单位作为第一次调用，则除以1e9。

从Pandas关于处理时间序列数据的文档中：
我们减去历元（1970年1月1日的午夜UTC），然后将下限除以“单位”（1毫秒）。

# generate some timestamps
stamps = pd.date_range('2012-10-08 18:15:05', periods=4, freq='D')

# convert it to milliseconds from epoch
(stamps - pd.Timestamp("1970-01-01")) // pd.Timedelta('1ms')

这将给予以毫秒为单位的历元时间。

为了扩展s5s的答案，我认为代码可以进一步推广以满足缺失的数据（例如，用pd.NaT表示）。在Pandas 1.2.4上测试，在Pandas〈1.0上不起作用。

calls['DATE'].apply(lambda x: x.timestamp() if not pd.isna(x) else pd.NA).astype('Int64')

一些评论：

• pd.isna（）将捕获pd.NaT
• lambda表达式将pd.NaT转换为pd.NA，这将是缺失数据的新表示形式
• 最后，lambda表达式的输出将是整数和pd.NA的混合，因此我们需要一个Pandas ExtensionDtype（如Int64）来处理它

示例输出：

0            <NA>
1            <NA>
2            <NA>
3            <NA>
4            <NA>
          ...
865    1619136000
866    1619136000
          ...
Name: DATE, Length: 870, dtype: Int64

另一种方法是，在减去Unix epoch之后，将dtype转换为'timedelta64[s]'（注意[s]）以指定您希望差值以秒为单位，或者将dtype转换为'timedelta[ms]'以指定它应该以毫秒为单位，等等。

df['epoch'] = df['date'].sub(pd.Timestamp('1970-01-01')).astype('timedelta64[s]')