Сортировка CSV-реплик по таймкоду через Python: как сравнивать время в секундах

Убедитесь, что время сопоставимо

Сортировка полезна для таблицы реплик одного аудиофайла, где строки случайно переставили при работе. Для разных интервью одинаковое [00:10] относится к разным источникам. Не объединяйте такие времена в одну хронологию без установленного общего отсчёта.

Сохраните исходную таблицу. Если метки ещё проверяются, начните с правил формата и порядка времени. Сортировка не доказывает правильность временной привязки.

Сравнивайте числа, а не строковое представление

В учебной схеме допустимы 02:15 и 01:02:15 без квадратных скобок. Минуты и секунды двухзначные, от 00 до 59. Первый формат имеет нулевые часы. Для 75:10 или миллисекунд нужны другие правила.

Смешанные строки 01:00:00 и 59:59 лексикографически расположатся не так, как число секунд. Функция seconds возвращает 3600 и 3599, поэтому минутная отметка оказывается раньше часовой. При неподходящем формате код останавливается.

Сохраните новую упорядоченную копию

Положите transcript.csv рядом с sort_time.py, содержащим код ниже. Запустите python sort_time.py или python3 sort_time.py. Предполагаются UTF-8, запятая и колонка timecode. Исходник читается, а новая копия создаётся без перезаписи.

import csv, re
from pathlib import Path

def seconds(value):
    value = (value or "").strip()
    if not re.fullmatch(r"(?:[0-9]{2}:)?[0-5][0-9]:[0-5][0-9]", value):
        raise ValueError(f"Неподходящий таймкод: {value!r}")
    parts = list(map(int, value.split(":")))
    if len(parts) == 2: parts.insert(0, 0)
    h, m, s = parts
    return h * 3600 + m * 60 + s

with Path("transcript.csv").open(encoding="utf-8-sig", newline="") as source:
    reader = csv.DictReader(source)
    headers = reader.fieldnames or []
    rows = list(reader)
if "timecode" not in headers or len(headers) != len(set(headers)):
    raise ValueError("Проверьте заголовки CSV")
if any(None in row for row in rows): raise ValueError("Лишние поля")
ordered = sorted(rows, key=lambda row: seconds(row["timecode"]))
with Path("transcript-time-sorted.csv").open("x", encoding="utf-8-sig", newline="") as target:
    writer = csv.DictWriter(target, fieldnames=headers)
    writer.writeheader()
    writer.writerows(ordered)
print("Записей сохранено:", len(ordered))

Все исходные колонки сохраняются. sorted создаёт новый список; при равных временных ключах относительный порядок строк не меняется. Но одинаковый таймкод может скрывать разный реальный порядок внутри секунды, который программа не восстанавливает.

Проверьте число строк и соседние реплики

Сверьте количество записей, первый и последний таймкод и несколько переходов говорящих. Если CSV имеет другую структуру, сначала выполните проверку колонок. Для исходной основы используйте расшифровку аудио.

Прослушайте спорный переход: допустимое время способно указывать не ту реплику. Не считайте отсортированный список исправленной диаризацией. Запишите, почему перестановка требовалась и какая копия стала рабочей.