它是一个datetime 对象，所以需要保存时间信息，但是，这里有一个Period数据类型：它表示时间的 * 跨度 * 而不是 * 戳 *：

df["new date"] = pd.to_datetime(df["date"]).dt.to_period(freq="D")

转换为 D 日周期以获得

>>> df["new date"]

0    2010-12-30
1    2010-12-30
2    2010-12-30
3    2010-12-30
4    2010-12-30
Name: new date, dtype: period[D]

注意到这些不是字符串;因此可以继续执行基于X1 MON 1X的操作。
但是，如果确实需要datetime类型，则可以.normalize()时间戳，以表明时间组件是无关紧要的，它们都设置为午夜：

>>> df["new date"] = pd.to_datetime(df["date"]).dt.normalize()
>>> df["new date"]

0   2010-12-30 00:00:00+00:00
1   2010-12-30 00:00:00+00:00
2   2010-12-30 00:00:00+00:00
3   2010-12-30 00:00:00+00:00
4   2010-12-30 00:00:00+00:00
Name: new date, dtype: datetime64[ns, UTC]

注意，在标准化之后，如果原始日期时间戳没有附加时区信息，即“+"之后的部分，则显示器通常不显示全零时间信息;在你的例子中，他们确实有，所以我们在输出中也看到了零，如果你想在这种情况下摆脱它，你可以链接.dt.tz_convert(tz=None)来摆脱时区信息，从而在输出中摆脱全零，尽管如此，输出是datetime类型的。
最后，如果它完全是为了 * 显示 * 目的，那么我们可以使用.strftime将它们整形为所需的格式：

>>> df["new date"] = pd.to_datetime(df["date"]).dt.strftime("%Y-%m-%d")
>>> df["new date"]

0    2010-12-30
1    2010-12-30
2    2010-12-30
3    2010-12-30
4    2010-12-30
Name: new date, dtype: object

正如您所看到的，数据类型是“object”，即这里的string，这将阻止基于日期时间的操作，例如，df["new date"].dt.month将不再像前两种选择那样工作。

要保留DatetimeIndex及其dt访问器，可以使用dt.normalize()重置时间部分，然后使用dt.tz_convert删除时区信息：

df['new date'] = pd.to_datetime(df["date"]).dt.normalize().dt.tz_convert(None)

产出

>>> df['new date']
0   2010-12-30
1   2010-12-30
2   2010-12-30
3   2010-12-30
4   2010-12-30
Name: new date, dtype: datetime64[ns]