Pandas中，date_parser 参数即将被弃用，这意味着需要寻找新的方法来解析日期数据。Pandas提供了几种替代方案，可以帮助处理不规则的日期格式。
方法一：使用 infer_datetime_format=True
当数据中的日期格式不统一时，infer_datetime_format=True 参数可以自动推断日期格式。这是一个非常方便的功能，尤其是不确定数据中包含哪些日期格式时。
df = pd.read_csv( 'Prepared_GlobalLandTemperaturesByCountry.csv', index_col=0, parse_dates=['dt'], infer_datetime_format=True).round(decimals=2)
round(decimals=2)：将DataFrame中的数值列四舍五入到小数点后两位，以减少数据的精度误差。
index_col=0：将CSV文件的第一列设置为DataFrame的索引列，这对于时间序列数据尤其有用。
parse_dates=['dt']：告诉Pandas将名为'dt'的列解析为日期类型，这对于后续的时间序列分析至关重要。
方法二：读取为对象类型后转换
如果需要更细致的控制，可以先将日期列读取为对象类型，然后使用 pd.to_datetime 函数进行转换。这种方法提供了最大的灵活性，允许在数据读取后对日期列进行自定义的转换。
df = pd.read_csv( 'Prepared_GlobalLandTemperaturesByCountry.csv', index_col=0, dtype={'dt': object})
df['dt'] = pd.to_datetime(df['dt'])
方法三：使用 date_format 参数
如果知道日期数据的具体格式，可以使用 date_format 参数来指定日期的格式。这种方法适用于日期格式固定且已知的情况。
df = pd.read_csv( 'Prepared_GlobalLandTemperaturesByCountry.csv', index_col=0, parse_dates=['dt'], date_format='%Y-%m-%d').round(decimals=2)
对于大多数不规则日期格式的情况，infer_datetime_format=True 是一个简单而有效的选择，因为它可以自动处理多种格式。然而，如果需要更复杂的处理，读取为对象类型后使用 pd.to_datetime 进行转换是一个灵活的解决方案。
