windows/macos 自带日历不支持生成个人年度统计报告，必须导出事件为 csv 后用 python pandas 分析时长、分类、频次等维度；导出是唯一起点，数据质量决定报告可信度。
Windows 或 macOS 自带的桌面日历（如 Outlook 日历、Calendar.app、Windows 日历）本身不支持生成「个人年度统计报告」——它们只记录事件，不汇总、不分析、不导出行为数据。真要产出带时长统计、类别分布、高频日期等维度的年度报告，必须借助外部工具或手动导出+加工。
导出日历事件为 CSV 是唯一可行起点
所有主流日历应用都允许导出原始事件数据，这是后续统计的原材料。跳过这步，后面全无可能。
- Outlook：文件 → 打开 & 导出 → 导出到文件 → 选择“逗号分隔值(.csv)” → 勾选你的日历 → 完成导出，注意勾选“包括重复事件”（否则年度会议会被漏掉）
- macOS Calendar：文件 → 导出 → 导出… → 保存为
.ics文件（不是 CSV！需再转换） - Google 日历：设置 → 日历设置 → 对应日历右侧“导出日历” → 下载
calendar.ics
⚠️ 注意：.ics 是标准交换格式，但不能直接被 Excel 统计；必须用 Python 脚本或在线工具（如 ical2csv.com）转成 events.csv，字段至少包含 DTSTART、DTEND、SUMMARY、CATEGORIES（如有）。
用 Pandas 快速算出核心指标（50 行内搞定）
CSV 导入后，真正耗时的是解析时间、归类、聚合。用 Python + pandas 是最轻量且可控的方式，比 Excel 公式更可靠（尤其跨年、夏令时、时区混杂时）。
关键步骤：
- 用
pd.read_csv()读取，用pd.to_datetime()强制解析start和end列（别信默认类型） - 计算单事件时长：
(df['end'] - df['start']).dt.total_seconds() / 3600→ 单位小时 - 按年过滤：
df[df['start'].dt.year == 2025]（注意你统计哪一年） - 按关键词粗分类：
df['category'] = df['SUMMARY'].str.contains('会议|sync', case=False).map({True: 'Work', False: 'Other'}) - 汇总：用
df.groupby('category')['duration'].agg(['sum', 'count'])直接出总时长和次数
示例片段（可直接运行）：
import pandas as pd
df = pd.read_csv('events.csv', parse_dates=['start', 'end'])
df['duration'] = (df['end'] - df['start']).dt.total_seconds() / 3600
y2025 = df[df['start'].dt.year == 2025]
print(y2025.groupby('category')['duration'].agg(['sum', 'count']))
导出图表需绕过日历 App 的 UI 限制
Outlook 或系统日历里点几下就出饼图？不存在。它们连“本月共开会几小时”都不显示。可视化必须另起炉灶。
- 最简方案：把汇总结果粘贴进 Excel，用内置柱状图/环形图画「各类别时长占比」
- 稍进阶：用
matplotlib或plotly.express画带日期分布的热力图（df['start'].dt.dayofyear作横轴） - 避坑提示：别用日历 App 内置的「打印视图」或「共享链接」——那只是快照，不是统计，也不含计算逻辑
如果你的日历事件没填 CATEGORIES 或标题混乱（比如全是“1v1”“跟进”），所有自动分类都会失效。这时候得先花 20 分钟人工补标签，或者用正则批量清洗 SUMMARY 字段——这步没法跳。
真正卡住人的从来不是代码或导出按钮，而是日历数据本身缺乏结构：没有明确的「类型」「归属项目」「是否完成」字段。年度报告的质量，80% 取决于你平时建事件时有没有随手打个 #clientA 或选个颜色分类。工具只是放大你日常的颗粒度，它不会替你补课。
