Estandarizar formatos de fecha mezclados en un CSV y listar los valores no interpretados

01Definir los formatos de fecha aceptados antes de analizarlos

La limpieza de fechas es más segura cuando los formatos aceptados se definen explícitamente. Este ejemplo reconoce seis formatos numéricos y convierte todos los valores interpretados correctamente a YYYY-MM-DD. No utiliza detección automática de fechas.

La interpretación de los formatos con barras y guiones es una decisión de política. En este tutorial, 09/02/2026 significa 2 de septiembre de 2026, mientras que 04-09-2026 significa 4 de septiembre de 2026. Si tu fuente utiliza otras convenciones, cambia los formatos aceptados antes de procesar datos reales.

02Crear un pequeño CSV sintético

El siguiente conjunto de datos es sintético y fue creado específicamente para este artículo. Guárdalo como mixed_dates.csv en tu carpeta de trabajo. Contiene seis fechas válidas en seis formatos aceptados diferentes y dos valores que deberían fallar.

record_id,event_date,note
R001,2026-09-01,ISO format
R002,09/02/2026,US slash format
R003,2026/09/03,year first with slashes
R004,04-09-2026,day first with hyphens
R005,2026.09.05,dot separated
R006,20260906,compact numeric
R007,2026-02-30,invalid calendar date
R008,Sep 7 2026,unsupported text format

Hay 8 registros de datos. Los primeros 6 deberían interpretarse correctamente. R007 utiliza un patrón reconocido, pero el 30 de febrero no es una fecha real. R008 utiliza un nombre de mes en texto que se ha excluido intencionadamente de la lista de formatos aceptados.

03Calcular manualmente los valores limpios esperados

Los primeros seis valores representan fechas consecutivas desde el 1 hasta el 6 de septiembre de 2026. Por tanto, deberían producir seis valores estandarizados. Los dos registros restantes deberían conservar el texto original en el archivo de revisión.

Por tanto, los recuentos esperados son 8 registros totales, 6 registros interpretados y 2 registros no interpretados. El CSV limpio seguirá conteniendo los 8 registros; las filas no interpretadas tendrán un valor standardized_date vacío y el estado UNPARSED.

04Analizar los formatos autorizados y escribir nuevos archivos

Guarda el siguiente script como date_format_cleanup.py. Lee el CSV original, escribe una copia completa y limpia y también crea un CSV de revisión más pequeño que contiene únicamente los registros cuya fecha no pudo estandarizarse.

import csv
from datetime import datetime
from pathlib import Path

SOURCE = Path("mixed_dates.csv")
OUTPUT_DIR = Path("outputs") / "date_cleanup_result"
CLEANED = OUTPUT_DIR / "cleaned_dates.csv"
UNPARSED = OUTPUT_DIR / "unparsed_dates.csv"
DATE_COLUMN = "event_date"

FORMATS = (
    "%Y-%m-%d",
    "%m/%d/%Y",
    "%Y/%m/%d",
    "%d-%m-%Y",
    "%Y.%m.%d",
    "%Y%m%d",
)


def parse_date(value: str) -> str | None:
    text = value.strip()
    for format_string in FORMATS:
        try:
            parsed = datetime.strptime(text, format_string)
        except ValueError:
            continue
        return parsed.strftime("%Y-%m-%d")
    return None


def main() -> None:
    if not SOURCE.is_file():
        raise FileNotFoundError(f"Source CSV not found: {SOURCE}")

    OUTPUT_DIR.parent.mkdir(parents=True, exist_ok=True)
    OUTPUT_DIR.mkdir()  # Stop rather than reuse an existing result folder.

    with SOURCE.open("r", encoding="utf-8-sig", newline="") as source:
        reader = csv.DictReader(source)
        if reader.fieldnames is None:
            raise ValueError("CSV has no header row.")
        if DATE_COLUMN not in reader.fieldnames:
            raise ValueError(f"Missing required column: {DATE_COLUMN}")
        if "standardized_date" in reader.fieldnames or "date_status" in reader.fieldnames:
            raise ValueError("Output column name already exists in source CSV.")

        cleaned_fields = [*reader.fieldnames, "standardized_date", "date_status"]
        review_fields = ["row_number", *reader.fieldnames]

        with CLEANED.open("x", encoding="utf-8", newline="") as cleaned_stream, \
             UNPARSED.open("x", encoding="utf-8", newline="") as review_stream:
            cleaned_writer = csv.DictWriter(cleaned_stream, fieldnames=cleaned_fields)
            review_writer = csv.DictWriter(review_stream, fieldnames=review_fields)
            cleaned_writer.writeheader()
            review_writer.writeheader()

            total = 0
            parsed_count = 0
            unparsed_count = 0

            for row_number, row in enumerate(reader, start=2):
                total += 1
                original_value = row[DATE_COLUMN]
                standardized = parse_date(original_value)

                output_row = dict(row)
                if standardized is None:
                    output_row["standardized_date"] = ""
                    output_row["date_status"] = "UNPARSED"
                    review_writer.writerow({"row_number": row_number, **row})
                    unparsed_count += 1
                else:
                    output_row["standardized_date"] = standardized
                    output_row["date_status"] = "PARSED"
                    parsed_count += 1

                cleaned_writer.writerow(output_row)

    if parsed_count + unparsed_count != total:
        raise RuntimeError("Record counts do not balance.")

    print(f"Processed {total} records.")
    print(f"Parsed: {parsed_count}; unparsed: {unparsed_count}.")
    print(f"Cleaned CSV: {CLEANED.as_posix()}")
    print(f"Review CSV: {UNPARSED.as_posix()}")


if __name__ == "__main__":
    main()

python date_format_cleanup.py

05Comparar los archivos de salida esperados

cleaned_dates.csv debería contener las tres columnas originales más standardized_date y date_status. Los 8 registros originales deben seguir presentes. Las dos filas fallidas no se eliminan.

unparsed_dates.csv debería contener exactamente 2 filas de datos. Como el encabezado del CSV original corresponde físicamente a la línea 1, R007 está en la fila 8 del CSV y R008 en la fila 9.

06Comprobar los recuentos y la salida de consola

La salida de consola esperada que aparece a continuación se obtuvo manualmente a partir de la entrada sintética y del script. No es un registro capturado de una ejecución.

Processed 8 records.
Parsed: 6; unparsed: 2.
Cleaned CSV: outputs/date_cleanup_result/cleaned_dates.csv
Review CSV: outputs/date_cleanup_result/unparsed_dates.csv

1. Confirma que cleaned_dates.csv contenga 8 filas de datos y no solamente las 6 filas procesadas correctamente.
2. Confirma que las fechas estandarizadas vayan desde 2026-09-01 hasta 2026-09-06 para R001 a R006.
3. Confirma que R007 y R008 tengan valores standardized_date vacíos y estado UNPARSED.
4. Confirma que unparsed_dates.csv contenga exactamente R007 y R008.
5. Ejecuta el script de nuevo sin cambiar OUTPUT_DIR. Debería detenerse con FileExistsError en lugar de sobrescribir el resultado anterior.

07Reconocer errores comunes

No respondas a una tasa elevada de fallos añadiendo numerosos formatos especulativos. Eso puede convertir datos incorrectos detectables en fechas interpretadas erróneamente sin aviso.

08Comprender los límites antes de escalar el proceso

Este ejemplo solo maneja fechas de calendario. No interpreta horas, zonas horarias, fechas seriales de Excel, nombres de meses localizados, años de dos dígitos ni valores que contengan texto descriptivo adicional. Esos casos necesitan reglas explícitas.

datetime.strptime valida las fechas del calendario, por lo que se rechaza un valor estructuralmente plausible como 2026-02-30. Esto es útil, pero una fecha interpretada correctamente no demuestra que el valor de origen sea objetivamente correcto. Un error tipográfico como 2026-09-12 en lugar de 2026-09-21 sigue siendo una fecha válida del calendario.

El orden de FORMATS importa cuando dos patrones aceptados pueden interpretar una misma cadena de forma diferente. Un proceso de limpieza de producción debería documentar la convención de la fuente, conservar el valor original, informar de los fallos y revisar los formatos ambiguos en lugar de depender únicamente del análisis automático.

Registro de ejecución y verificación

ChatGPT Python tool · Python 3.13.5 · standard library csv/datetime/pathlib

• La ejecución principal imprimió exactamente: 'Processed 8 records.', 'Parsed: 6; unparsed: 2.', 'Cleaned CSV: outputs/date_cleanup_result/cleaned_dates.csv' y 'Review CSV: outputs/date_cleanup_result/unparsed_dates.csv'.
• cleaned_dates.csv contenía los 8 registros de origen junto con standardized_date y date_status.
• R001 a R006 se analizaron exactamente como 2026-09-01 a 2026-09-06.
• El valor 2026-02-30 de R007 fue rechazado por ser una fecha de calendario no válida y se escribió con standardized_date vacío y estado UNPARSED.
• El valor 'Sep 7 2026' de R008 fue rechazado porque no coincide con ninguno de los formatos aprobados y se escribió con standardized_date vacío y estado UNPARSED.
• unparsed_dates.csv contenía exactamente 2 filas de datos: R007 con row_number 8 y R008 con row_number 9.
• El hash SHA-256 de mixed_dates.csv permaneció sin cambios después del procesamiento, confirmando que el archivo de origen no se modificó.
• Una segunda ejecución con outputs/date_cleanup_result ya existente produjo FileExistsError antes de sobrescribir los resultados anteriores.

Fuentes de referencia

Las explicaciones y los ejemplos son de elaboración propia. Puedes consultar los comportamientos y conceptos relacionados en las siguientes fuentes oficiales.

• Documentación oficial de Python 3.12 · datetime ↗ (New tab)
• Documentación oficial de Python 3.12 · comportamiento de strftime y strptime ↗ (New tab)
• Documentación oficial de Python 3.12 · csv ↗ (New tab)
• Documentación oficial de Python 3.12 · pathlib ↗ (New tab)