fn_registry/python/functions/datascience/detect_time_column.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
detect_time_column	function	py	datascience	1.0.0	pure	def detect_time_column(columns: list) -> dict	Detecta, a partir de la lista de ColumnProfile de un TableProfile del grupo eda, cual es la columna de orden temporal y que columnas numericas hay para graficar una serie en el tiempo. Una columna es temporal si inferred_type=='datetime' o semantic_type in {datetime_iso, date_eu}; time_col es la primera temporal en orden. Es la pieza que usa el capitulo TIMESERIES del AutomaticEDA para decidir si aplica. Lectura defensiva dict-no-throw: nunca lanza, siempre devuelve las mismas claves.	eda timeseries datetime profiling column-detection automatic-eda datascience python				false			name desc columns lista de ColumnProfile dict de un TableProfile del grupo eda. Cada elemento suele tener name, inferred_type, semantic_type y numeric. Elementos que no sean dict se ignoran; None/no-lista/vacia -> dict 'no aplica'.	dict SIEMPRE con: time_col (str|None, columna temporal elegida = primera temporal), time_semantic (str, semantic_type de la temporal o ''), numeric_cols (list[str], columnas con inferred_type=='numeric' en orden), n_datetime_cols (int), datetime_cols (list[str], todas las temporales en orden de aparicion), reason (str en espanol explicando la eleccion). Nunca lanza excepcion.	true	test_golden_datetime_y_numericas test_deteccion_por_semantic_type_date_eu test_sin_columna_temporal test_columns_none_no_revienta test_columns_vacia_no_revienta test_columns_no_lista_no_revienta test_elementos_basura_se_ignoran test_varias_datetime_elige_la_primera	python/functions/datascience/detect_time_column_test.py	python/functions/datascience/detect_time_column.py

Ejemplo

from datascience import detect_time_column

columns = [
    {"name": "fecha", "inferred_type": "datetime", "semantic_type": "datetime_iso"},
    {"name": "ventas", "inferred_type": "numeric"},
    {"name": "unidades", "inferred_type": "numeric"},
    {"name": "region", "inferred_type": "text"},
]
res = detect_time_column(columns)
res["time_col"]       # -> "fecha"
res["numeric_cols"]   # -> ["ventas", "unidades"]
res["n_datetime_cols"]  # -> 1

# Sin columna temporal: el capitulo TIMESERIES no aplica.
detect_time_column([{"name": "id", "inferred_type": "numeric"}])["time_col"]  # -> None

Cuando usarla

Cuando el capitulo TIMESERIES del AutomaticEDA recibe un TableProfile y necesita decidir si la tabla admite analisis de serie temporal: si time_col es None no hay eje de tiempo y el capitulo se salta; si hay time_col y numeric_cols, úsalas como eje X (orden cronologico) y series Y. Tambien sirve para enrutar el resto del pipeline (acf_pacf / stl_decompose / adf_kpss_stationarity) sobre las columnas numericas detectadas.

Gotchas

• Es pura y stdlib-only (sin numpy ni DuckDB): segura de llamar en cualquier paso.
• time_col se elige por ORDEN de aparicion en la lista, no por "mejor candidata". Si hay varias columnas datetime y quieres otra, filtra datetime_cols tu mismo.
• Solo mira metadatos del perfil (inferred_type/semantic_type); no parsea ni valida los valores reales de la columna. La calidad de la deteccion depende de que el profiler (summarize_table_duckdb / infer_semantic_type) haya inferido bien.
• Las claves del semantic_type son exactamente las del profiler: datetime_iso (ISO 8601) y date_eu (DD/MM/AAAA). Otros formatos de fecha no se detectan por semantic_type salvo que inferred_type ya sea "datetime".
• numeric_cols se basa en inferred_type == "numeric" (no en "integer"/"float"); si tu profiler usa otra etiqueta, normalizala antes.