从 numpy 数组中的大字符串中获取子字符串

Question

我有一个 np.array 包含一组字符串（每个字符串的长度不同），如下例所示：

title=['the first step in 2017', 'Here is my 2016 report', '2016 new considerations' ....] 

我想从我编写的这段代码的数组中的每个元素中提取年份：

list_yea=[]
    for i, tit in enumerate(title) : 
        if '20' in tit:
               print(year)# ??? I could not find a best solution 
               list_yea.append(year)

我假设所有年份都在 [2000-2020] 范围内我的问题是如何从该字符串中只返回年份

我已经尝试过这段代码，但它给了我错误的结果：

years=[]
c=1 # tocheck the number of string does not contain the year 
for i, tit in enumerate(title) :
    if '20' in tit or '199' in tit : # for both 199x and 20xx years
        spl=tit.split(' ')
        for j , check in enumerate(spl):
            if '20' in check:
                years.append(check)
    if '20' not in tit and '199' not in tit :
        c=c+1
        years.append(0)

len(years) ==> 16732 虽然我的总数据集是 16914 个样本 提前感谢您的任何帮助

Answer 1

您可以尝试遍历字符串并使用 try 和 except 检查它是否为整数，然后检查它是否以 20 开头（从 2000 年开始的年份）并且子字符串的长度为 4（如果有其他数字）

list_yea=[]
for i, tit in enumerate(title) : 
    for j in tit.split():
        try:        
            year = int(j)
            if len(j)==4 and '20' in j:
                list_yea.append(j)
        except:
               pass

Answer 2

满足要求的最简单解决方案：

import re

title=['the first step in 2017', 'Here is my 2016 report', '2016 new considerations']

for t in title:
    print(re.findall(r"[0-9]+", t)[0])

如果您愿意，您可以进一步专门化正则表达式。