Question

我有一组句子，需要从中提取可变格式的日期。之后，我需要清理数据，例如，如果仅存在年份，则需要添加1作为日期，添加1作为月。为此，我提取了日期，但要清除日期序列，我需要将其转换为日期时间。这样做时我出错了。

import pandas as pd

date_sent = ["This is year 2019","on 9/95","on 7/27/2019 sjd sdkn","7/24/2019 dhd dskdh"]

df = pd.DataFrame(date_sent, columns=['text'])
df['dates'] = df['text'].str.findall(r'(?:\d{1,2})?/?(?:\d{2})?/?\d{2,4}')
#print(dates.head())
#df['dates'].str.replace(r'(*/*/\d\d)', lambda x: x.groups()[0][0]+1900)
#TRIED THIS TO ADD 1900 to a year if it is only yy but it snot working as well
df['dates']=pd.to_datetime(df['dates'].to_string())
#print(df['dates'])

Answer 1

您可以使用

df['dates'] = df['text'].str.extract(r'\b((?:\d{1,2}/)?(?:\d{2}/)?\d{2}(?:\d{2})?)\b')
df['dates'] = df['dates'].str.replace(r'\b9\d\b', r'19\g<0>')
df['dates']=pd.to_datetime(df['dates'])

第一个\b((?:\d{1,2}/)?(?:\d{2}/)?\d{2}(?:\d{2})?)\b正则表达式匹配：

\b-单词边界
((?:\d{1,2}/)?(?:\d{2}/)?\d{2}(?:\d{2})?)-捕获组1（Series.str.extract至少需要一个捕获组，因为它仅返回捕获）：
- (?:\d{1,2}/)?-1或2位数字的可选序列，然后是/
- (?:\d{2}/)?-可选的2位数字，然后是/
- \d{2}-两位数字
- (?:\d{2})?-2位数字的可选序列。
\b-单词边界

请参见this regex demo。

second regex标准化年份部分：\b9\d\b匹配一个9位数字，然后匹配整个单词中的任何1位数字（不包含数字，字母或_两位数）。请注意，替换模式中的\g<0>是对整个匹配值的反向引用。

pd.to_datetime(df['dates'])将列值转换为日期时间值。

将熊猫系列转换为日期时间

1 个答案: