Question

我有一个pandas数据框，文字属性为

loc_id   text
1        'Monday: 8:30 AM \x96 5:30 PM,Tuesday: 8:30 AM \x96 5:30 PM,Wednesday: 8:30 AM \x96 5:30 PM,Thursday: 8:30 AM \x96 5:30 PM,Friday: 8:30 AM \x96 5:30 PM,Saturday: Closed,Sunday: Closed'
2         ''
3         'Monday: Open 24 hours,Tuesday: Open 24 hours,Wednesday: Open 24 hours,Thursday: Open 24 hours,Friday: Open 24 hours,Saturday: Open 24 hours,Sunday: Open 24 hours

它是一个文本数据，我想计算它打开时的总开放时间

loc_id      openingHours
1           45
2           NAN
3           168

我是文本挖掘的新手，所以不知道如何解析和转换它。文本只提到了这两种格式。

Answer 1

我认为您需要一些自然语言日期解析器，例如dateparser：

dateparser提供了几乎可以轻松解析本地化日期的模块   网页上常见的任何字符串格式。


以英语，西班牙语，荷兰语，俄语和20多种其他语言对日期进行通用解析，以及与语言无关的多种格式   方式。

相关日期的通用解析，例如：'1分钟前'，'2周前'，'3个月，1周和1天前'，'2天'，'明天'。

具有时区缩写或UTC偏移的日期的一般解析，例如：'2015年8月14日美国东部时间'，'2013年7月4日太平洋标准时间'，2013年7月21日   晚上10:15 +0500'。

支持非公历日历系统。请参阅支持的日历。

广泛的测试覆盖率。

如果你需要解析它，那么就像@asongtoruin所提议的那样，你必须使用正则表达式：

import re
opened_str = 'Monday: 8:30 AM \x96 5:30 PM,Tuesday: 8:30 AM \x96 5:30 PM,Wednesday: 8:30 AM \x96 5:30 PM,Thursday: 8:30 AM \x96 5:30 PM,Friday: 8:30 AM \x96 5:30 PM,Saturday: Closed,Sunday: Closed'

PARSE_RE = re.compile(r'(?P<DAY>Monday|Tuesday|Wednesday|Thursday|Friday|Saturday|Sunday): (?P<WORKHOURS>(?P<OPEN>\d+:\d+ (:?AM|PM)) \x96 (?P<CLOSE>\d+:\d+ (:?AM|PM))|Closed|Open 24 hours)')

for item in PARSE_RE.findall(opened_str):
    print(item)

将打印：

('Monday', '8:30 AM \x96 5:30 PM', '8:30 AM', 'AM', '5:30 PM', 'PM')
('Tuesday', '8:30 AM \x96 5:30 PM', '8:30 AM', 'AM', '5:30 PM', 'PM')
('Wednesday', '8:30 AM \x96 5:30 PM', '8:30 AM', 'AM', '5:30 PM', 'PM')
('Thursday', '8:30 AM \x96 5:30 PM', '8:30 AM', 'AM', '5:30 PM', 'PM')
('Friday', '8:30 AM \x96 5:30 PM', '8:30 AM', 'AM', '5:30 PM', 'PM')
('Saturday', 'Closed', '', '', '', '')
('Sunday', 'Closed', '', '', '', '')

因此，您可以检查每个元组的第二和第三索引的开启/关闭时间，或者 1st ，如果它已关闭。之后，您可以根据自己的喜好解析这些日期。

Answer 2

这是针对您的问题的工作解决方案！

下面给出的解释。

import re
from datetime import datetime
sumtime = 0
sumlist=[]
list_of_strings = ['''Monday: 8:30 AM \x96 5:30 PM,Tuesday: 8:30 AM \x96 5:30 PM,Wednesday: 8:30 AM \x96 5:30 PM,Thursday: 8:30 AM
\x96 5:30 PM,Friday: 8:30 AM \x96 5:30 PM,Saturday: Closed,Sunday: Closed''','''Monday: Open 24 hours,Tuesday: Open 24 hours,Wednesday: Open
24 hours,Thursday: Open 24 hours,Friday: Open 24 hours,Saturday: Open 24 hours,Sunday: Open 24 hours''']

for s in list_of_strings: #Text for each loc_id
    if 'Open' not in s:
     #If the word 'Open' isn't present in the text then do below
            times = [line[0] for line in re.findall(r'\b((1[0-2]|0?[1-9]):([0-5][0-9]) ([AaPp][Mm]))',s)]
            times = [[i,j] for i,j in zip(times[0::2], times[1::2])]
            fmt = '%I:%M %p'
            time_objects = [datetime.strptime(b,fmt)-datetime.strptime(a,fmt)
                            for a,b in times]
            finaltime = [td.seconds//3600 for td in time_objects]
            sumtime=sum(finaltime)
            sumlist.append(sumtime)
    else:
    #If Open is present in the text 

            open_times = [int(st) for st in s.split() if st.isdigit()]
            sumlist.append(sum(open_times))
print(sumlist)

1） re.findall 返回字符串中找到的每个匹配项。它的输出将是这样的

[('8:30 AM', '8', '30', 'AM'),('5:30 PM', '5', '30', 'PM'), ('8:30 AM', '8', '30', 'AM')]

因此，行[0]将从元组中给出第一个。即'8:30 AM'，我们需要

[line[0] for line in re.findall(r'\b((1[0-2]|0?[1-9]):([0-5][0-9]) ([AaPp][Mm]))',s)]

2）以上的输出将是

['8:30 AM', '5:30 PM', '8:30 AM', '5:30 PM', '8:30 AM', '5:30 PM', '8:30 AM', '5:30 PM', '8:30 AM', '5:30 PM']

3）现在列表中的每个偶数元素（0,2,4，...）将与奇数元素（1,3,5，...）配对。注意时间[0 :: 2]这里给出了一个元素列表，从索引0 开始，每个索引递增 2 。同样从索引1 开始递增 2 。将它们压缩在一起。你明白了，

[['8:30 AM', '5:30 PM'], ['8:30 AM', '5:30 PM'],...and so on]

times = [[i,j] for i,j in zip(times[0::2], times[1::2])]

4）fmt是格式 fmt = '%I:%M %p'。请注意，它将是％H：％M，但因为我们使用的是％p 文件明确规定，在这种情况下，我们应该％I而不是％H。否则％H就好了。在我们的a，b [8:30 AM', '5:30 PM']上使用 datetime.strptime 来获取日期时间对象。减去它们以获得 timedelta 对象。使用timdelta_object.seconds将其转换为秒。

 [datetime.strptime(b,fmt)-datetime.strptime(a,fmt) for a,b in times]

然后，您可以使用td.days获取日期，td//3600获取时间

5）使用sum(your_list)查找此列表的总和，以获得您的案例中 45 的总和。将其附加到列表中。

6）如果文字中有 Open 这个词，

然后从文本中单独获取数字作为int并找到它们的总和。

7）最后输出列表将是

[45, 168]

这是解决您手头问题的有效方法。假设您以这种格式获得文本

'Monday: 8:30 AM \x96 5:30 PM,Tuesday: 8:30 AM \x96 5:30 PM,Wednesday: 8:30 AM \x96 5:30 PM,Thursday: 8:30 AM \x96 5:30 PM,Friday: 8:30 AM \x96 5:30 PM,Saturday: Closed,Sunday: Closed'

或此格式

'Monday: Open 24 hours,Tuesday: Open 24 hours,Wednesday: Open 24 hours,Thursday: Open 24 hours,Friday: Open 24 hours,Saturday: Open 24 hours,Sunday: Open 24 hours'

同时请务必查看dateparser

解析文本并获得小时数

2 个答案: