你可以取Timedelta的平均值。所以找到最小值，从序列中减去它，得到Timedelta的序列。然后取平均值，再把它加回最小值。

dob = df_test.DOB
m = dob.min()
(m + (dob - m).mean()).to_pydatetime()

datetime.datetime(2014, 7, 12, 0, 0)

单线

df_test.DOB.pipe(lambda d: (lambda m: m + (d - m).mean())(d.min())).to_pydatetime()

至@ALollz点
我使用的epoch为pd.Timestamp(0)，而不是min

df_test.DOB.pipe(lambda d: (lambda m: m + (d - m).mean())(pd.Timestamp(0))).to_pydatetime()

您可以使用astype和np.int64转换纪元时间，并使用pd.to_datetime转换回日期时间：

pd.to_datetime(df_test.DOB.dropna().astype(np.int64).mean())

输出：

Timestamp('2014-07-12 00:00:00')

如果你愿意的话，你可以使用unix时间。这被定义为从1970-01-01开始的总秒数（例如）。这样，你所有的时间都是简单的浮点数，所以很容易在列上做简单的数学运算。

import pandas as pd

df_test['unix_time'] = (df_test.DOB - pd.to_datetime('1970-01-01')).dt.total_seconds()

df_test['unix_time'].mean()
#1405123200.0

# You want it in date, so just convert back
pd.to_datetime(df_test['unix_time'].mean(), origin='unix', unit='s')
#Timestamp('2014-07-12 00:00:00')

日期时间数学支持一些标准操作：

a = datetime.datetime(2014, 7, 9)
b = datetime.datetime(2014, 7, 15)
c = (b - a)/2

# here c will be datetime.timedelta(3)

a + c
Out[7]: datetime.datetime(2014, 7, 12, 0, 0)

因此，你可以编写一个函数，给定两个日期时间，将较小的日期时间减去较大的日期时间，并将差值的一半加到较小的日期时间。将此函数应用于 Dataframe ，然后shazam！

当pandas=0.25时，可以计算日期时间序列的平均值。

In [1]: import pandas as pd
   ...: import numpy as np

In [2]: s = pd.Series([
   ...:     pd.datetime(2014, 7, 9),
   ...:     pd.datetime(2014, 7, 15),
   ...:     np.datetime64('NaT')])

In [3]: s.mean()
Out[3]: Timestamp('2014-07-12 00:00:00')

但是，请注意，对pandas dataframe应用mean当前会忽略具有datetime序列的列。