Question

我想从数据框（Pandas）中提取格式为yyyy-mm-dd的第一个日期。如果没有找到日期，只需返回一个空字符串。这些是存储在数据帧中的数据的一些示例。

1976-05-17 [ ]
[ ] 1976-05-172 
1976-05-17       
1976-05-17 Atlanta, Georgia U.S.  
1976-05-17 1975-07-11
( 1976-05-17 ) 1976-05-17 (age 38) [ ]

在所有情况下，我都需要 1976-05-17 或空字符串。

结果将在DataFrame上运行正则表达式并将结果添加到新列

Answer 1

首次使用search将停在第一个匹配的子字符串：

 r = re.compile("\d{4}-\d{2}-\d{2}")

使用您的样本：

lines = """1976-05-17 [ ]
[ ] 1976-05-172
1976-05-17
1976-05-17 Atlanta, Georgia U.S.
1976-05-17 1975-07-11
( 1976-05-17 ) 1976-05-17 (age 38) [ ]"""
r = re.compile("\d{4}-\d{2}-\d{2}")
for line in lines.splitlines():
    m = r.search(line)
    if m:
        print(m.group())

输出：

如果您将它应用于df，您可以测试是否匹配，如果是，请使用匹配，否则使用空字符串作为值。

import pandas as pd

df = pd.read_csv("test.txt")
print(df)
def match(x):
    m = r.search(x)
    if m:
        return  m.group()
    return  ""

输出：

print(df)
print df["date"].apply(match)

                                     date
0                          1976-05-17 [ ]
1                         [ ] 1976-05-172
2                              1976-05-17
3        1976-05-17 Atlanta, Georgia U.S.
4                   1976-05-17 1975-07-11
5  ( 1976-05-17 ) 1976-05-17 (age 38) [ ]


0    1976-05-17
1    1976-05-17
2    1976-05-17
3    1976-05-17
4    1976-05-17
5    1976-05-17
Name: date, dtype: object

如果您对Nan不匹配，那么您也可以将列设置为str.extract的返回值：

print df["date"].str.extract(r"(\d{4}-\d{2}-\d{2})")

将"foo"添加到列：

0    1976-05-17
1    1976-05-17
2    1976-05-17
3    1976-05-17
4    1976-05-17
5    1976-05-17
6           NaN
Name: date, dtype: object

Answer 2

您可以使用正则表达式在字符串中查找日期：

import re

line = '1976-05-17 Atlanta, Georgia U.S.'
dates = re.findall('[0-9]{4}-[0-9]{2}-[0-9]{2}', line)

date = dates[0] if len(dates) else None

从数据框中的字符串中提取第一个日期

2 个答案: