本文介绍如何将形如“dd.mm.yyyy|x,xxx”格式的日期-数值字符串解析为数组，并按年月分组计算各月数值的算术平均值，涵盖字符串拆分、日期提取、千位符清理与分组聚合等关键步骤。

本文介绍如何将形如“dd.mm.yyyy|x,xxx”格式的日期-数值字符串解析为数组，并按年月分组计算各月数值的算术平均值，涵盖字符串拆分、日期提取、千位符清理与分组聚合等关键步骤。

在实际数据处理中，常遇到以空格分隔、每项含日期与数值（用竖线 | 连接）的紧凑字符串，例如：

04.01.2021|26,140 05.01.2021|26,225 06.01.2021|26,145 11.02.2021|26,240 12.02.2021|26,190

目标是：按 MM.YYYY（如 01.2021）归类所有数值，去除逗号，再计算每月的算术平均值。整个流程可清晰划分为三步：字符串结构化解析 → 按月分组聚合 → 分组均值计算。

✅ 第一步：多级拆分构建二维结构

使用嵌套 explode() 配合 array_map()，先按空格切分记录，再对每条记录按 | 拆分为 [日期, 数值] 对：

$input = '04.01.2021|26,140 05.01.2021|26,225 06.01.2021|26,145 07.01.2021|26,145 08.01.2021|26,165 11.02.2021|26,240 12.02.2021|26,190';

$records = array_map(
    fn($item) => explode('|', trim($item)),
    explode(' ', $input)
);
// $records 现为二维数组：[['04.01.2021','26,140'], ['05.01.2021','26,225'], ...]

⚠️ 注意：务必对 $item 使用 trim()，避免首尾空格导致解析异常（尤其当输入前后有空格时）。

✅ 第二步：按 MM.YYYY 分组并清洗数值

利用 array_reduce() 构建以 MM.YYYY 为键的关联数组，同时用 substr($date, 3) 提取日期子串（跳过日部分 DD.），并用 str_replace(',', '', $value) 移除千位逗号，确保数值可参与数学运算：

$groupedByMonth = array_reduce(
    $records,
    function ($carry, $item) {
        [$date, $value] = $item;
        $monthKey = substr($date, 3); // → "01.2021", "02.2021"
        $cleanValue = (float) str_replace(',', '', $value);
        $carry[$monthKey][] = $cleanValue;
        return $carry;
    },
    []
);
// 结果示例：
// [
//   '01.2021' => [26140.0, 26225.0, 26145.0, 26145.0, 26165.0],
//   '02.2021' => [26240.0, 26190.0]
// ]

? 提示：此处强制转换为 (float) 更安全——若原始数值含小数（如 26,140.5），仅 str_replace() 不足以保证精度；但本例中逗号仅为千位符，故 float 或 int 均可，推荐 float 以兼容未来扩展。

✅ 第三步：计算每月均值

对 $groupedByMonth 的每个子数组，调用 array_sum() / count() 即得算术平均值。使用 array_map() 保持函数式风格：

$averagesPerMonth = array_map(
    fn($values) => round(array_sum($values) / count($values), 2),
    $groupedByMonth
);

print_r($averagesPerMonth);
// 输出：
// Array
// (
//     [01.2021] => 26164
//     [02.2021] => 26215
// )

? round(..., 2) 可选：若原始数据为整数且无需小数，可省略；若需保留两位小数（如货币场景），建议显式指定。

✅ 完整可运行示例（含错误防护）

function calculateMonthlyAverage(string $input): array {
    if (empty($input)) {
        return [];
    }

    $records = array_map(
        fn($item) => explode('|', trim($item)),
        array_filter(explode(' ', $input)) // 过滤空元素，增强鲁棒性
    );

    $groupedByMonth = array_reduce(
        $records,
        function ($carry, $item) {
            if (count($item) !== 2) return $carry; // 跳过格式异常项
            [$date, $value] = $item;
            if (!preg_match('/^\d{2}\.\d{2}\.\d{4}$/', $date)) return $carry;
            $monthKey = substr($date, 3);
            $cleanValue = (float) str_replace(',', '', $value);
            $carry[$monthKey][] = $cleanValue;
            return $carry;
        },
        []
    );

    return array_map(
        fn($values) => round(array_sum($values) / count($values), 2),
        $groupedByMonth
    );
}

// 使用
$result = calculateMonthlyAverage($input);
print_r($result);

总结：该方案以 explode 为起点，通过函数式链式操作（array_map → array_reduce → array_map）实现高内聚、低耦合的数据流处理。核心在于明确每步的中间数据形态，并针对性地清洗与转换。适用于日志分析、金融数据汇总等需按时间维度聚合的典型场景。