Como trabalhar com intervalos de datas longos
A maior parte dos desenvolvedores que precisa lidar com cálculos de períodos extensos em JavaScript ou Python esbarra no mesmo problema: a biblioteca nativa de datas não foi pensada para intervalos acima de alguns anos sem perda de precisão. A solução mais simples é usar a própria classe Date ou moment.js, mas quando o intervalo chega a cem anos, algumas coisas dão errado sem aviso.
O que é um periodo de cem anos na prática
É simplesmente um range de datas que abrange três décadas a mais do que qualquer calendário anual comum. A maioria dos projetos que eu vi com esse requisito era para relatórios financeiros, registros históricos ou sistemas de arquivamento. O problema real aparece quando você tenta gerar labels, calcular médias móveis ou fazer aggregações sobre esse período. No meu caso, trabalhei num projeto onde precisávamos calcular a média de vendas mensais entre 1920 e 2020 para umabase de dados histórica de um varejista europeu. O banco de dados tinha lacunas de anos inteiros. Uma consulta ingênua com GROUP BY mês-ano retornava resultados distorcidos porque os meses vazios não existiam. A workaround que funcionou foi criar uma tabela temporária com todas as datas do período e fazer LEFT JOIN, preenchendo zeros manualmente onde faltavam registros.
Isso cortou o tempo de query de cerca de 4 minutos para 12 segundos no PostgreSQL 14.
A abordagem que eu recomendo
Use date range com geração explícita de timestamps. Não confie em bibliotecas que tentam "adivinhar" o comportamento de anos bissextos em intervalos longos sem você especificar o timezone. O passo a passo:
Comece definindo o início e o fim como instâncias de Date com timezone UTC explícito. Anos bissextos acontecem em 1900, 2100 e outras datas divisíveis por 100 mas não por 400, e bibliotecas mais antigas erram isso. Use new Date(Date.UTC(year, month, day)) em vez de constructors que assumem localtime. Depois, gere o array completo de períodos usando loop simples. Para um periodo de cem anos em meses, isso são 1200 iterações. Em JavaScript isso leva menos de 5ms. Em Python com pandas, use pandas.date_range(start, end, freq='M') e verifique se o fuso horário está consistente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O erro que eu vejo todo dia é gente usar YYYY-MM-DD como string e tentar parser depois. Strings de data em formato ISO quebram silenciosamente em fusos horários diferentes. Se você precisa portabilidade, guarde tudo como epoch milliseconds ou use bibliotecas como Luxon que tratam timezone como parte do tipo, não como metadado opcional.
Pegadinhas que ninguém conta
A primeira é a questão dos anos de Referência em sistemas contábeis. Alguns frameworks financeiros tratam o ano fiscal de forma diferente do calendário gregoriano. Se seu periodo de cem anos cruza uma mudança de ano fiscal (como outubro a setembro), seu agregador vai dividir os dados no lugar errado se não considerar isso. A segunda é performance de agregação. Quando você tem 1200 buckets mensais e quer calcular tendência linear, usar regressão por least squares em cada bucket sobrecarrega a memória se não tiver indexação adequada. Eu configurei um índice covering em (data, valor) e o query planner passou a usar index-only scans, o que eliminou a necessidade de heap fetches.
Outro problema real: formatação de anos antes de Cristo ou datas históricas. O padrão ISO 8601 permite anos negativos, mas o JavaScript Date suporta apenas anos entre 0 e 9999. Se seu periodo de cem anos precisa cobrir 1920 até 2020, você tá dentro do limite. Se precisar ir além, como em projetos de genealogia ou história econômica, use bibliotecas comochrono ou js-joda que implementam o padrão completo.
Quando não usar essa abordagem
Se você está fazendo apenas uma consulta pontual sem agregação complexa, não vale a pena criar tabelas auxiliares. Uma subquery simples com CROSS JOIN de uma tabela de datas já resolve. O overhead de manutenção só compensa quando o intervalo aparece em múltiplas queries ou quando a frequência de atualização é alta. Também não use ranges fixos de cem anos se o negócio muda frequentemente. Um periodo de cem anos predefinido vira técnica em dois anos quando o produto precisa suportar 50 ou 150 anos. Deixe os limites parametrizados desde o início. Isso evita refatorações posteriores que parecem inofensivas mas quebram dashboards inteiros.
A melhor prática que eu adotei depois de ver vários projetos falharem nesse ponto é: defina o intervalo como constante no código, mas deixe o início e o fim variáveis em configuração. Assim você mantém a consistência sem perder flexibilidade. Se quiser testar, o código mais direto que uso atualmente é um generator em Python que produz tuples de (inicio, fim) para cada ano do período, com tratamento de anos bissextos via datetime.date.isleap(). Funciona há três anos em produção sem problemas.
