摘要：为解决实验室严格考勤问题，试行了弹性打卡制度，取得了不错的效果。本文档详细说明了制度细则、钉钉操作流程，并提供了原创的Python自动统计代码，可直接生成异常打卡值和总工时。

前言

现将制度详情及配套的自动统计方法公开，以便其他团队借鉴。弹性打卡制度刚试行不久，可能还有很多优化空间。欢迎大家有意见可以交流讨论。可以联系本人邮箱获得更快的反馈：211191511@qq.com。文章有很多自己生成的跳转链接，不知道怎么删掉，不用管。

一、实验室弹性作息制度

1. 概述

参与范围：实验室所有在读学生可自愿选择弹性打卡或沿用原先的打卡方式。考勤周期：以周为单位统计，按月处理。每周按 6 个工作日计算。时长要求：日均打卡至少 9 小时，即每周总时长需满足 54 小时。打卡时长不足者，津贴扣减 100元/周。打卡规则：

每日需有偶数次打卡（即 2, 4, 6… 次），不能为奇数次。常规情况（签到+签退）即为2次。两次打卡前后间隔需超过20分钟（24:00前后时段除外）。若签到后超过24:00离开，需在24:00前进行一次签退，待超过24:00后，再进行一次签到，离开时最终签退。 调整机制：同学可自主提出申请，经实验室老师评估上周科研推进情况后，可酌情调整打卡时限。

2. 打卡教程

（1）选择签到工具

在钉钉群内选择签到，不要选择打卡。

（2）签到

钉钉群内进行签到。签到类型需选择签到。

（3）签退

钉钉群内进行签退。签到类型需选择签退。

3. 补充条款

学校项目：参加新生心理测评、体检等学校要求的项目，不计入科研时长，需自行找补时间（该日打卡时长可灵活调整，但周总时长必须满足54小时）。短时外出：前往其他教学楼递交个人材料（如综测表等），15分钟左右可返回的情况下，可以不签退。接打电话：请在闻天楼内进行，避免随机抽查时不在场。特殊情况处理：

出差/病假：按每天 9 小时计算。事假：视具体情况而定。周四晚运动：按 3 小时计算。实验室会议、运动会、新生上课等：根据实际情况补打卡。 行为规范：严禁在实验室打游戏、听歌、看小说。违者：

一月内发现1次，本月按学校最低要求发放津贴；一月内发现2次，本月取消津贴；一月内发现3次，予以清退。 补卡：允许每周补卡1次。作息建议：建议每日睡眠时间为 7±1 小时。统计轮值：采用轮值制，每周由一名同学负责统计。有特殊情况可联系统计人说明。第 i 周打卡情况在第 i+1 周内统计完毕即可。后续已修改为按月统计总时长达标即可。

4. 随机抽查

频次：不定时、不定次数。方式：在微信群（为避免打扰，建议将钉钉群设置为免打扰）内随机抽取1名在场同学。该同学需在5分钟内，于钉钉群发送各屋现场照片，以核实在场情况。造假处理：

签到后不在实验室科研，过后返回或以忘记签退为由辩解，均视为造假，违背诚信原则。第1次：按学校要求发放津贴并警告；第2次：予以清退。 设备号：后台会记录设备号，每人手机设备号唯一（从入学至毕业不变）。如更换新手机，务必提前说明。备注：随机抽查如在原工作时间内，沿用旧打卡方式的同学也需出现在照片中（外出科研任务除外），否则按迟到/早退处理。

二、自动化统计流程

1.钉钉群管理员从钉钉导出“签到报表.xlsx”，只保留“已签到”的分表，只保留所需的四列即可。

2.统计微信群里所有补卡和请假的情况放到excel中，并在导出报表打卡明细中进行补卡。

<弹性打卡群>

<补卡备注>

3.将“签到报表.xlsx”重命名为input.xlsx，python代码与input文件在同一文件夹下，直接运行输出output，里面只需要看总时间和异常值两个分表即可。

4.修正异常值，对output中异常值的分表中有问题的信息发到微信群，通过反馈进行补卡，修复全部异常值再重新运行代码，导出新的output文件。

5.通过output文件中个人统计的分表中获取每个人打卡时长，再对请假和补时间的加进去，写一个“总时长统计.xlsx”（按姓名降序方便复制时间）

<每周明细> <汇总四周数据>

三、python 代码如下：

# -*- coding: utf-8 -*-

import pandas as pd

import re

from datetime import timedelta

# ========= 配置 =========

input_path = r"input.xlsx" # ← 改成你的输入文件（xlsx/csv/tsv，列：姓名 日期 时间 签到类型）

output_xlsx = "output.xlsx" # ← 想导出Excel就填路径，例如 r"weekly_times.xlsx"；留空则不导出

# =======================

# ---------- 规范化 ----------

def normalize_time(t: str) -> str:

"""把 'H:MM'/'HH:MM'/'HH:MM:SS'（含全角冒号/隐藏空格）统一为 'HH:MM:SS'。"""

t = str(t).replace('：', ':').replace('\u00A0', ' ')

t = re.sub(r'\s+', ' ', t).strip()

m = re.match(r'^(\d{1,2}):(\d{2})(?::(\d{2}))?$', t)

if not m:

raise ValueError(f"非法时间: {t!r}")

hh, mm, ss = int(m.group(1)), int(m.group(2)), int(m.group(3) or 0)

return f"{hh:02d}:{mm:02d}:{ss:02d}"

def normalize_date(d: str) -> str:

"""把日期统一为 YYYY-MM-DD，容忍 '2025年10月20日'/'2025/10/20' 等格式。"""

d = str(d).replace('\u00A0', ' ')

d = d.replace('年', '-').replace('月', '-').replace('日', '')

d = re.sub(r'\s+', ' ', d).strip()

try:

pd.to_datetime(d, format="%Y-%m-%d")

return d

except Exception:

dt = pd.to_datetime(d, errors="raise")

return dt.strftime("%Y-%m-%d")

def hhmm_from_seconds(sec: int) -> str:

mins = int(round(sec / 60))

return f"{mins // 60:02d}:{mins % 60:02d}"

# ---------- 读取 ----------

def read_input(path: str) -> pd.DataFrame:

if path.lower().endswith(".csv"):

df = pd.read_csv(path, dtype=str)

elif path.lower().endswith((".tsv", ".txt")):

df = pd.read_csv(path, dtype=str, sep="\t")

else:

df = pd.read_excel(path, dtype=str)

need = {"姓名", "日期", "时间", "签到类型"}

if not need.issubset(set(df.columns)):

raise ValueError(f"缺少必要列：{need}，实际列：{list(df.columns)}")

df = df[list(need)].copy().astype(str)

df["姓名"] = df["姓名"].str.replace('\u00A0', ' ', regex=False).str.strip()

df["签到类型"] = df["签到类型"].str.strip()

# 逐行规范

df["日期"] = df["日期"].apply(normalize_date)

df["时间"] = df["时间"].apply(normalize_time)

# 合成时间戳

dt_str = (df["日期"].str.replace('\u00A0', ' ', regex=False).str.strip()

+ " " +

df["时间"].str.replace('\u00A0', ' ', regex=False).str.strip())

dt_str = dt_str.str.replace(r"\s+", " ", regex=True).str.strip()

ts = pd.to_datetime(dt_str, format="%Y-%m-%d %H:%M:%S", errors="coerce")

bad = df[ts.isna()][["姓名", "日期", "时间", "签到类型"]]

if not bad.empty:

print("【警告】以下行无法解析为时间戳（已忽略）：")

print(bad.to_string(index=False))

df = df[~ts.isna()].copy()

df["ts"] = ts[~ts.isna()]

return df

# ---------- 配对（全量） ----------

def pair_all_shifts(clean_df: pd.DataFrame):

"""在全量数据上，按人配对上/下班；连续上班=>自动闭合上一段。返回(班次df, 异常df)。"""

df = clean_df.sort_values(["姓名", "ts", "签到类型"]).copy()

dup_mask = df.duplicated(subset=["姓名", "ts", "签到类型"], keep="first")

dups = df[dup_mask]

base = df[~dup_mask]

anomalies = []

shift_rows = []

for name, g in base.groupby("姓名", sort=True):

g = g.sort_values("ts")

open_start = None

for _, r in g.iterrows():

ts, typ = r["ts"], r["签到类型"]

if typ == "上班":

if open_start is None:

open_start = ts

else:

# 自动闭合上一段

anomalies.append({"姓名": name, "问题": "连续上班（已自动闭合上一段）", "时间": ts})

shift_rows.append({

"姓名": name,

"开始时间": open_start,

"结束时间": ts,

"时长(秒)": int((ts - open_start).total_seconds())

})

open_start = ts

elif typ == "下班":

if open_start is None:

anomalies.append({"姓名": name, "问题": "无上班的下班（忽略）", "时间": ts})

else:

if ts >= open_start:

shift_rows.append({

"姓名": name,

"开始时间": open_start,

"结束时间": ts,

"时长(秒)": int((ts - open_start).total_seconds())

})

else:

anomalies.append({"姓名": name, "问题": "下班早于上班（忽略该对）", "时间": ts})

open_start = None

else:

anomalies.append({"姓名": name, "问题": f"未知签到类型: {typ}", "时间": ts})

if open_start is not None:

anomalies.append({"姓名": name, "问题": "存在未下班记录（未计入）", "时间": open_start})

for _, r in dups.iterrows():

anomalies.append({"姓名": r["姓名"], "问题": "重复记录（已去重）", "时间": r["ts"]})

shifts = pd.DataFrame(shift_rows)

anom_df = pd.DataFrame(anomalies).sort_values(["姓名", "时间"]) if anomalies else \

pd.DataFrame(columns=["姓名", "问题", "时间"])

return shifts, anom_df

# ---------- 周裁剪 ----------

def clip_shifts_to_week(shifts: pd.DataFrame, week_start: pd.Timestamp, week_end: pd.Timestamp) -> pd.DataFrame:

"""把班次裁剪到 [week_start, week_end) 区间，仅保留有交集的部分。"""

if shifts.empty:

return shifts.copy()

a = shifts.copy()

a["开始剪"] = a["开始时间"].where(a["开始时间"] >= week_start, week_start)

a["结束剪"] = a["结束时间"].where(a["结束时间"] <= week_end, week_end)

a = a[a["结束剪"] > a["开始剪"]].copy()

a["时长(秒)"] = (a["结束剪"] - a["开始剪"]).dt.total_seconds().astype(int)

a["日期"] = a["开始剪"].dt.date.astype(str)

return a[["姓名", "开始剪", "结束剪", "日期", "时长(秒)"]].rename(

columns={"开始剪": "开始时间", "结束剪": "结束时间"}

)

# ---------- 主流程 ----------

def main():

df = read_input(input_path)

if df.empty:

print("没有可统计的数据。")

return

# 全量配对

shifts_all, anom = pair_all_shifts(df)

# 自动确定“本周”区间（以最早日期所在周为周一～周日）

first_day = df["ts"].dt.floor("D").min().date()

week_start = pd.Timestamp(first_day) - timedelta(days=pd.Timestamp(first_day).weekday())

week_end = week_start + timedelta(days=7) # 半开区间上界

# 裁剪到本周

shifts = clip_shifts_to_week(shifts_all, week_start, week_end)

# 汇总

if shifts.empty:

print(f"本周（{week_start.date()} ～ {(week_end - timedelta(days=1)).date()}）无可统计班次。")

return

totals = shifts.groupby("姓名", as_index=False)["时长(秒)"].sum()

totals["时长(小时)"] = totals["时长(秒)"] / 3600.0

totals["总计(HH:MM)"] = totals["时长(秒)"].apply(hhmm_from_seconds)

totals = totals.sort_values("时长(秒)", ascending=False)

# 控制台输出

print("=== 本周区间 ===")

print(f"{week_start.date()} ～ {(week_end - timedelta(days=1)).date()}")

print("\n=== 本周个人总工时 ===")

for _, r in totals.iterrows():

print(f"{r['姓名']}: {r['总计(HH:MM)']} （{r['时长(小时)']:.2f} 小时）")

if not anom.empty:

# 仅提示条数；需要可改为打印前若干条

print(f"\n（提示）发现 {len(anom)} 条异常记录；如需导出查看请设置 output_xlsx。")

# 可选：导出 Excel

if output_xlsx:

with pd.ExcelWriter(output_xlsx) as w:

raw_export = df.sort_values(["姓名", "ts"]).rename(columns={"ts": "时间戳"})

raw_export.to_excel(w, sheet_name="原始明细", index=False)

shifts_all.sort_values(["姓名", "开始时间"]).to_excel(w, sheet_name="全量班次", index=False)

shifts.sort_values(["姓名", "开始时间"]).to_excel(w, sheet_name="本周班次", index=False)

totals.to_excel(w, sheet_name="个人汇总", index=False)

if not anom.empty:

anom.to_excel(w, sheet_name="数据异常", index=False)

print(f"\n已导出：{output_xlsx}")

if __name__ == "__main__":

main()