Polars 的 str.strptime 不支持 %q（季度）格式符，无法直接解析含 "Q1/Q2/Q3/Q4" 的字符串；需通过正则提取年份与季度，计算季度起始日，再按需偏移天数实现精准日期转换。
Polars 的 `str.strptime` 不支持 `%q`（季度）格式符，无法直接解析含 "Q1/Q2/Q3/Q4" 的字符串；需通过正则提取年份与季度，计算季度起始日，再按需偏移天数实现精准日期转换。
在 Polars 中处理形如 "2023-Q3" 或 "2023-Q3-27" 的季度字符串时，不能依赖 str.strptime —— 因为底层使用的 Rust chrono 库虽支持 %q（表示 1–4 的季度编号），但 Polars 当前版本（截至 0.20+）尚未将 %q 暴露为可用的 strptime 格式符，且其解析逻辑不兼容 "Q%d" 这类带字母前缀的混合模式（如 "Q3"）。尝试使用 "%Y-Q%q" 或 "%Y-Q%q-%d" 均会返回 null。
✅ 正确解法是采用 纯表达式驱动的列式处理，分四步完成：
-
提取结构化字段：用
str.extract()分别捕获年份（\d{4}）、季度数字（Q(\d)）和可选的“本季度第 N 天”（-(\d+)$）； -
计算季度起始月：
month = (quarter - 1) * 3 + 1（Q1→1月，Q2→4月，Q3→7月，Q4→10月）； -
构建季度首日：用
pl.date(year, month, 1)生成date类型的季度开始日期； -
按需添加天数偏移：若字符串含
-N，则将其转为Int并减 1（因“第 1 天”对应+0 days），再通过pl.duration(days=...)加到起始日上。
以下是完整、健壮的实现代码（兼容 "YYYY-Qn" 和 "YYYY-Qn-D" 两种格式）：
import polars as pl
df = pl.DataFrame({
"quarter_str": ["2023-Q3-01", "2023-Q3-27", "2025-Q4", "2025-Q3-45"]
})
# 提取年份（4位数字）、季度（Q后数字）、可选的季度内天数
year = df["quarter_str"].str.extract(r"(\d{4})").cast(pl.Int16)
quarter = df["quarter_str"].str.extract(r"Q(\d)").cast(pl.Int8)
day_of_quarter = df["quarter_str"].str.extract(r"-(\d+)$").fill_null("1").cast(pl.Int16)
# 计算季度起始月份：Q1→1, Q2→4, Q3→7, Q4→10
month = (quarter - 1) * 3 + 1
# 构建季度第一天（如 2023-Q3 → 2023-07-01）
quarter_start = pl.date(year, month, 1)
# 计算从季度首日起的偏移天数（第1天 = +0天，第45天 = +44天）
days_offset = day_of_quarter - 1
# 最终日期 = 季度首日 + 偏移天数
result = df.with_columns(
(quarter_start + pl.duration(days=days_offset)).alias("parsed_date")
)
print(result)
输出结果：
shape: (4, 2) ┌─────────────┬─────────────┐ │ quarter_str ┆ parsed_date │ │ --- ┆ --- │ │ str ┆ date │ ╞═════════════╪═════════════╡ │ 2023-Q3-01 ┆ 2023-07-01 │ │ 2023-Q3-27 ┆ 2023-07-27 │ │ 2025-Q4 ┆ 2025-10-01 │ │ 2025-Q3-45 ┆ 2025-08-14 │ └─────────────┴─────────────┘
? 关键注意事项：
-
str.extract使用正则，务必加r""原始字符串避免转义错误； -
fill_null("1")确保无-N后缀时默认为第 1 天（即季度首日）； -
pl.duration(days=...)是 Polars 原生日期运算方式，比str.to_date()+str.to_datetime()更高效且类型安全； - 所有操作均为惰性表达式，零拷贝、可无缝集成到
lazy()流水线中。
此方案完全规避了 strptime 的限制，充分利用 Polars 的向量化字符串与日期能力，是生产环境中解析季度字符串的推荐实践。
