Python e tempo: cinco funções para seu código parar de quebrar nas segundas-feiras

Se você já tentou alimentar redes neurais com dados coletados de diferentes fontes, sabe: tempo é o tipo de dado mais insidioso. Parece simples, mas basta um sistema enviar uma data em formato americano e outro em ISO, e seu pipeline perfeitamente ajustado vira uma abóbora. Python nesse aspecto é um velho amigo leal que às vezes se comporta estranhamente. Sua biblioteca padrão datetime é poderosa, mas exige a disciplina que dados brutos da internet simplesmente não possuem. Constantemente nos deparamos com dados chegando como strings tipo "2 horas atrás" ou "15 de março", e forçar uma LLM a fazer parse disto em tempo real é um investimento caro.

O primeiro problema que funções de parsing corretas resolvem são datas relativas. Imagine que você está coletando notícias para treinar um modelo. O texto "ontem" ou "três dias atrás" é absolutamente inútil se você não o amarrar a um ponto específico na linha do tempo. Escrever uma função que converte tais expressões em valores absolutos não é apenas conveniência—é necessário para manter a precisão cronológica do seu dataset. Sem isso, seu modelo corre o risco de confundir causa e efeito simplesmente porque os dados em sua "memória" ficaram embaralhados.

O segundo incômodo é a guerra de formatos entre os EUA e o resto do mundo. 12 de janeiro ou 1º de dezembro? Se seu código não possui lógica clara para lidar com DD/MM e MM/DD considerando o contexto da fonte, você eventualmente enfrentará erros extremamente difíceis de detectar em grandes volumes de dados. Criar uma função wrapper que valida datas e tenta adivinhar o formato com base em frequência ou metadados da fonte economiza horas de limpeza manual do banco. Este é o caso em que uma pequena dose de automação na entrada previne desastres na saída.

E não esqueçamos dos fusos horários, aquele "chefe final" da programação. Muitos desenvolvedores cometem o erro de ignorar offsets UTC até que o projeto comece a escalar. Quando seus usuários ou fontes de dados estão espalhados pelo mundo, armazenar tempo de forma "ingênua"—sem vinculação a nenhuma zona horária—é uma receita para um bug que aparecerá no momento mais inconveniente. Uma função customizada que força a conversão de qualquer fluxo de dados incoming para UTC e adiciona um rótulo de fuso horário deve estar no arsenal de qualquer um que trabalha com analytics ou IA.

Por que isso é crítico agora? Na era dos sistemas RAG (Retrieval-Augmented Generation), a precisão da recuperação de informações depende de quão bem seus dados estão estruturados. Se seu índice de busca retorna um documento de 2022 em vez de 2024 por causa de um erro de parsing de data, a rede neural alucinará com confiança. Dados limpos na entrada é a única forma de obter um resultado adequado na saída. Usar funções DIY leves em vez de dependências pesadas como Pandas onde desnecessário também acelera seus scripts, o que é crítico para sistemas de alta carga.

Em última análise, trabalhar com datas é uma questão de higiene de código. Você pode usar os modelos mais avançados como o1 ou Claude 3.5, mas se alimentá-los com lixo, obterá lixo na saída. Cinco funções simples para normalizar datas, lidar com tempo relativo e unificar fusos horários—esse é o fundamento sobre o qual se constrói um tratamento de dados confiável. Isto não é inovação, é bom senso vestido em algumas linhas de Python.

O ponto-chave: não confie que os dados sempre chegarão no formato correto. Escreva suas próprias ferramentas de limpeza uma vez, e você esquecerá de problemas com datetime para sempre.