清洗混乱日期时，不要把整列数据丢给 AI 逐条改写，而是让它做三件更擅长的事：盘点这列数据里有哪些格式、帮你写出确定性的转换代码、找出无法唯一判断的歧义值。 转换由代码执行，歧义由人决定，这样结果可复现、可检查，也不会出现模型“顺手”改错几条却难以发现的情况。

常见的混乱来源

  • 分隔符不同：2024-03-05、2024/3/5、2024.03.05；
  • 顺序不同：年月日、月日年、日月年混在一起，03/05/2024 无法确定是 3 月 5 日还是 5 月 3 日；
  • 中文写法：2024年3月5日、3月5日（缺年份）；
  • 紧凑写法：20240305；
  • 两位年份：24-3-5；
  • Excel 序列号：日期被当成数字导出，显示为一串整数；
  • 带时间和时区：有的带时分秒，有的带时区，有的没有；
  • 相对日期和无效值：“上周五”“待定”“0000-00-00”。

第 1 步：抽样，让 AI 盘点格式

先用代码提取这一列的去重值，抽取一部分（包括看起来最奇怪的那些）交给 AI：

下面是一列“下单日期”的去重样本。请：
1. 归纳出其中出现的所有日期格式类型，每类给出 2 个样本和一个格式描述；
2. 指出哪些格式存在歧义（例如无法区分月和日），并说明歧义原因；
3. 列出无法识别为日期的值；
4. 不要转换数据，只做盘点。
背景：数据来自【系统/地区】，时间范围大约在【起止年份】。
样本：
【粘贴样本】

提供数据来源和大致时间范围很重要，它是后面消除歧义的主要依据。

第 2 步：人工确认规则

根据盘点结果，由你来定规则，例如：

  1. 统一输出 YYYY-MM-DD，带时间的另存一列；
  2. xx/xx/yyyy 格式按数据来源系统的习惯解释，并在文档中写明；
  3. 两位年份统一解释为 20xx（前提是你确认时间范围）；
  4. 缺年份、相对日期、无效值一律置空，并保留原值到备注列。

规则必须由懂业务的人拍板，AI 只能列出选项。

第 3 步：让 AI 写转换代码

请用 Python（pandas）写一个函数，把一列混乱日期按以下规则转换：
【粘贴你确认的规则】
要求：
- 按格式逐一显式匹配（正则或明确的格式字符串），不要依赖自动猜测格式的解析；
- 输出三列：标准化日期、原始值、状态（ok / ambiguous / invalid / missing_year）；
- Excel 序列号按【1900 或 1904】日期系统转换；
- 附上覆盖每种格式的测试样例，包括歧义和无效值。

强调“不要依赖自动猜测”，是因为通用解析函数在遇到 03/05/2024 时会默默选一种解释，错误不会报出来。

第 4 步：单独处理歧义值

状态为 ambiguous 的记录不要自动决定，可以：

  • 同一来源的其他记录中如果出现了日大于 12 的值（如 25/03/2024），通常可以推断该来源的顺序，但要人工确认；
  • 结合其他字段判断，例如发货日期不应早于下单日期；
  • 实在无法判断的保持为空，在报告中说明数量和处理方式。

第 5 步：校验与抽查

转换后用规则检查，而不是用眼睛看：

  • 日期是否落在合理时间范围内；
  • 各状态的数量是否与预期相符；
  • 业务逻辑约束（开始日期不晚于结束日期等）是否满足；
  • 每种原始格式随机抽几条，人工对比原值和结果。

小结

AI 负责盘点和写代码，规则由人定，转换靠代码，歧义单独标记。这个思路同样适用于金额、电话、地址等字段的清洗，完整的表格清洗流程可参考 用 AI 清洗客户表格的工作流案例，需要写匹配规则时可以看 AI 写正则表达式指南。如果你主要在表格软件里处理，也可以参考 数据分析师用 AI 写 Excel 公式。