Question

我有一个看起来像这样的DataFrame

Unit ID   Shipping to:
90        With x
91        With y
92        With z
116       Shipped to x 01/04/16. / Shipped to y - 09/08/18.
233       Shipped to z 03/01/17
265       Shipped to x 03/01/17 returned shipped to x 02/05/17
280       Shipped to x 06/01/17  Shipped to y 03/05/17 Shipped to z 12/12/17

我希望能够提取x，y或z的所有出现以及出现的日期（如果有的话）。我无法确定将会出现z，y或z的次数，但我希望最终结果看起来像这样：

 Unit ID  Occurrence 1  Occurrence 2  Occurrence 3 Shipping to:
    90    x                                        With x
    91    y                                        With y
    92    z                                        With z
    116   x 01/04/16    y 09/08/18                 Shipped to x 01/04/16. / Shipped to y - 09/08/18.
    233   z 03/01/17                               Shipped to z 03/01/17
    265   x 03/01/17                               Shipped to x 03/01/17 returned shipped to x 02/05/17
    280   x 06/01/17    y 03/05/17    z 12/12/17   Shipped to x 06/01/17  Shipped to y 03/05/17 Shipped to z 12/12/17

到目前为止，我只能使用此方法来提取出现在每列中的第一个日期

date_col = []
for row in df['Shipping to:']:
    match = re.search('\d{2}/\d{2}/\d{2}',str(row),re.IGNORECASE)
    date_col.append(match)
df['dates'] = date_col

Answer 1

数据框本身具有非常好的功能：

df['Shipping to:'].str.extractall(r'(\d{1,2}/\d{1,2}/\d{2})').unstack()

请注意，我将您的正则表达式更改为包括一个组（带有()），并且我也匹配了月份和日期的个位数。

测试以下DataFrame（我知道这是胡说八道，但这只是一个测试）：

df = pd.DataFrame([['1/22/33'], ['2/33/44  aaa 22/112/3 gook'], ['22/4/55'], [''], [None], ['aaa 22/5/66 aa 11/22/33']], columns=['Shipping to:'])

我得到以下输出：

match   0   1
0   1/22/33     NaN
1   2/33/44     NaN
2   22/4/55     NaN
5   22/5/66     11/22/33

要在开头包含x / y / z，请将正则表达式更改为r'([xyz] \d{1,2}/\d{1,2}/\d{2})'。最后，如果要将这些匹配项添加为原始数据框的新列，则可以使用join。然后，代码变为：

df.join(df['Shipping to:'].str.extractall(r'([xyz] \d{1,2}/\d{1,2}/\d{2})')\
    .unstack()[0])

请注意，我在调用unstack后得到了第0列-这实际上删除了1级的多索引并防止join抱怨。现在只是因为我很开心地玩这个，所以我添加了一些代码来修复列名，以便它们与您的示例匹配：

df.join(df['Shipping to:'].str.extractall(r'([xyz] \d{1,2}/\d{1,2}/\d{2})')\
    .unstack()[0]\
    .rename(columns=lambda x: "Occurence " + str(x)))

从python中的文本中提取多个日期

1 个答案: