Series.astype将所有类似日期的对象转换为datetime64[ns]。要转换为datetime64[D]，请values在调用之前使用获取NumPy数组astype：
dates_input = df["month_15"].values.astype('datetime64[D]')
请注意，NDFrames（例如Series和DataFrames）只能将类似日期时间的对象保存为dtype对象datetime64[ns]。将所有日期时间喜欢项自动转换为通用dtype可以简化后续日期计算。但是，这使得不可能datetime64[s]在DataFrame列中存储 对象。熊猫的核心开发人员Jeff Reback解释说，
“我们不允许直接转换，因为它太复杂了，无法在内部保留除datetime64 [ns]以外的任何东西（根本没有必要）。”
另请注意，即使df['month_15'].astype('datetime64[D]')具有dtype datetime64[ns]：
In [29]: df['month_15'].astype('datetime64[D]').dtype
Out[29]: dtype('<M8[ns]')
当您遍历系列中的项目时，会得到pandasTimestamps而不是datetime64[ns]s。
In [28]: df['month_15'].astype('datetime64[D]').tolist()
Out[28]: [Timestamp('2010-01-15 00:00:00'), Timestamp('2011-01-15 00:00:00')]
因此，尚不清楚Numba确实有问题datetime64[ns]，也可能只是有问题Timestamps。抱歉，我无法检查-我没有安装Numba。
但是，尝试一下可能会有用
testf(df['month_15'].astype('datetime64[D]').values)
因为df['month_15'].astype('datetime64[D]').values确实是dtype的NumPy数组datetime64[ns]：
In [31]: df['month_15'].astype('datetime64[D]').values.dtype
Out[31]: dtype('<M8[ns]')
如果可行，那么您不必将所有内容都转换为datetime64[D]，只需要将NumPy数组（而不是Pandas Series）传递给testf。
602392714
清零编程群