Pandas 数据框解析字符串列以将日期提取到新列中

Question

我有一个包含字符串列的数据框：

text = ['dasndljaksdhfinwejfiv 12/05/2018'', 'akdhaouiyfbh adv12.03.2019','faytdvi advonalsdnfoaidv 5/9/2019IUAYFNVVKNVAIUEHF']

我只想从中提取日期并添加到新列中。

我尝试了以下方法，但它只返回列的原始字符串值：

df['date'] = df.text.replace({r"\d{2}[\/ ](\d{2}|January|Jan)[\/ ]\d{2,4}"},regex=True)

解决这个问题的最佳方法是什么？

Answer 1

您可以使用.str.extract()，使用\d{1,2} 来匹配1 位数的日期和月份，并将. 添加到分隔符模式中：

df['date'] = df['text'].str.extract(r"(\d{1,2}[/. ](?:\d{1,2}|January|Jan)[/. ]\d{2}(?:\d{2})?)")

请参阅regex demo。

另外，请注意\d{2}(?:\d{2})? 匹配 2 位或 4 位数字，\d{2,4} 匹配 2、3 或 4 位数字。

请注意，整个正则表达式模式都用一个捕获组包裹，这是必要的，因为.str.extract 需要至少一个捕获组才能工作，它只会产生捕获的文本。

要匹配不在其他数字内的日期，您可以在开头添加(?<!\d)，在末尾添加(?!\d)，这可能会使模式更安全。

如果您打算匹配任何英文月份名称，您需要稍微扩展模式：

r"(?<!\d)(\d{1,2}[/. ](?:\d{1,2}|(?:J(?:an(?:uary)?|u(?:ne?|ly?))|Feb(?:ruary)?|Ma(?:r(?:ch)?|y)|A(?:pr(?:il)?|ug(?:ust)?)|Sep(?:t(?:ember)?)?|(?:Nov|Dec)(?:ember)?|Oct(?:ober)?))[/. ]\d{2}(?:\d{2})?)(?!\d)"

见another regex demo。

详情

• (?<!\d) - 不允许紧靠左边的数字
• ( - 捕获组的开始
• \d{1,2} - 1 位或 2 位数字
• [/. ] - 空格，/ 或 .
• (?:\d{1,2}|(?:J(?:an(?:uary)?|u(?:ne?|ly?))|Feb(?:ruary)?|Ma(?:r(?:ch)?|y)|A(?:pr(?:il)?|ug(?:ust)?)|Sep(?:t(?:ember)?)?|(?:Nov|Dec)(?:ember)?|Oct(?:ober)?)) - 月份名称，是否缩写
• [/. ] - 空格，/ 或 .
• \d{2}(?:\d{2})? - 2 位数字后跟可选的两位数字序列
• ) - 捕获组结束
• (?!\d) - 不允许紧靠右边的数字