处理日期字符串的函数在DataFrame列上运行异常（部分输入仅返回结束年份）

嘿，我太懂这种糟心的情况了——单独测试函数时明明跑的好好的，一放到DataFrame列上批量处理就出问题，还连个报错都没有，排查起来真的头大😅。咱们一步步拆解问题，找找根源：

首先先再明确下你的函数预期逻辑，避免理解偏差：

• 输入包含两个年份的范围（比如(1992—1997)或带俄文月份的日期），返回两个年份间的所有年份（含边界）
• 输入是单个以20开头的年份，返回从该年份到2024的列表
• 其他单个年份输入，仅返回包含该年份的列表

现在问题核心是：批量应用到DataFrame列时，部分输入只返回结束年份，但单独测试这些输入时函数正常。大概率是这几个方向的问题：

可能的原因&排查步骤 #

1. DataFrame列的字符串存在隐藏格式差异 #

有时候CSV导出的字符串看起来和你单独复制的一模一样，但实际藏着不可见字符：比如全角/半角破折号、多余的空格、制表符，甚至是换行符。这些隐藏字符会干扰你的函数逻辑，导致年份提取出错。

排查方法：
把出问题的行打印出来，用repr()显示原始格式，就能看穿所有隐藏字符：

# 假设你的DataFrame叫df，日期列是'date_col'
# 先筛选出函数返回单一年份的行
problem_rows = df[df['date_col'].apply(lambda x: len(your_function(x)) == 1)]
# 打印原始字符串格式
for s in problem_rows['date_col']:
    print(repr(s))

比如你可能会看到'(1992\u20141997)'（不同Unicode编码的破折号），或者'(1992 — 1997 )'（末尾多了空格）。

2. 函数依赖了全局状态/未重置局部变量 #

如果你的函数里用了全局变量，或者有一些累计状态的变量没在每次调用时重置，批量处理时前面的行就会污染后面的计算结果。比如某个start_year变量第一次处理后被改成了结束年份，后面的调用直接复用了这个错误值。

排查方法：
检查函数代码，确保所有变量都是函数内部的局部变量，每次调用函数时都重新初始化，别依赖外部状态。

3. DataFrame列存在非字符串类型数据 #

有时候列里可能混合了字符串和NaN，或者被自动转换成了其他类型，导致函数处理时走错了逻辑分支。

排查方法：
先检查列的类型和异常值：

# 查看列类型
print(df['date_col'].dtype)
# 筛选非字符串的行
print(df[df['date_col'].apply(lambda x: not isinstance(x, str))])

如果有NaN或其他类型，先做清洗：

import numpy as np

# 统一转字符串，去除前后空格
df['date_col'] = df['date_col'].astype(str).str.strip()
# 处理空字符串
df['date_col'] = df['date_col'].replace('', np.nan).dropna()

建议的修复方案 #

针对字符格式问题，建议在函数开头先做统一清洗，再提取年份。更健壮的方式是用正则表达式提取所有四位数字年份，不管字符串格式怎么变，都能准确拿到年份：

import re

def process_date_str(s):
    # 第一步：统一清洗字符串，去掉括号、多余空格，统一破折号
    s = s.strip().strip('()').replace('—', '-').replace(' ', '')
    # 第二步：用正则提取所有四位数字的年份（19xx或20xx）
    year_matches = re.findall(r'\b(19\d{2}|20\d{2})\b', s)
    if not year_matches:
        return []  # 没有找到年份的情况，可根据需求调整返回值
    
    years = [int(y) for y in year_matches]
    if len(years) >= 2:
        start_year = min(years)
        end_year = max(years)
        return list(range(start_year, end_year + 1))
    else:
        single_year = years[0]
        if str(single_year).startswith('20'):
            return list(range(single_year, 2025))  # range左闭右开，所以到2025才会包含2024
        else:
            return [single_year]

这个方法比手动分割字符串容错性强太多，能应对各种带月份、不同分隔符的情况。你可以先拿之前出问题的输入单独测试这个函数，再应用到DataFrame列上试试。

备注：内容来源于stack exchange，提问作者Jennie