Question

我正在处理一个数据集，在其中我需要提取所有可用的日期。日期可以采用以下格式：

04/20/2009; 04/20/09; 4/20/09; 4/3/09
Mar-20-2009; Mar 20, 2009; March 20, 2009; Mar. 20, 2009; Mar 20 2009;
20 Mar 2009; 20 March 2009; 20 Mar. 2009; 20 March, 2009
Mar 20th, 2009; Mar 21st, 2009; Mar 22nd, 2009
Feb 2009; Sep 2009; Oct 2010
6/2008; 12/2009
2009; 2010

我编写了以下代码：

df['dates'] = df['text'].str.extract(r'((?:\d{1,2}[/ ])?(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec[a-z.,]*[- ])?(?:\d{1,2}[a-z-, /]{1,4})?(?:\d{2,4}))')

除了某些文字，它给了我正确的结果

文本输出

实验室：B12 969 2007 \ n 12 969＃应该给出2007

长达35年，于1985年出售\ n 35＃应该给出1985

在14岁时死于... 14岁的人不应该被认为

我试图将提取代码更改为

r'((?:\d{1,2}[/ ])?(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec[a-z.,]*[- ])?(?:\d{1,2}[a-z-, ]{1,4})?(?:[/]\d{2})?(?:\d{4})?)'

但是整个结果变得糟糕

Answer 1

您的正则表达式的问题在于它的组成部分都是可选的，并且它与实际上与日期无关的数字匹配。您需要构建带有必需部分的正则表达式，以避免匹配任意部分。

这很棘手：示例输入中有不同类型的日期。对于这些输入，我建议：

(?<!\d)((?<!\d[ \t])(?:A(?:pr(?:il)?|ug(?:ust)?)|Dec(?:ember)?|Feb(?:ruary)?|J(?:an(?:uary)?|u(?:ly|ne|[ln]))|Ma(?:rch|[ry])|Nov(?:ember)?|Oct(?:ober)?|Sep(?:tember)?)(?:-\d{1,2}-\d{4}|(?:\.?\s*\d{1,2}(?:st|[rn]d|th)?,?)?\s*\d{4})|\d{1,2}\s+(?:A(?:pr(?:il)?|ug(?:ust)?)|Dec(?:ember)?|Feb(?:ruary)?|J(?:an(?:uary)?|u(?:ly|ne|[ln]))|Ma(?:rch|[ry])|Nov(?:ember)?|Oct(?:ober)?|Sep(?:tember)?)\.?,?\s*\d{4}|(?:\d{1,2}/)?\d{1,2}/\d{2}(?:\d{2})?|(?:19|20)\d{2})(?!\d)

请参见regex demo。符合条件：

(?<!\d)-向后看是负数：当前位置的左侧不允许有数字
(-外部捕获组的开始（.str.extract必需的）
- (?<!\d[ \t])-当前位置左侧不允许带数字或空格或制表符
- (?:A(?:pr(?:il)?|ug(?:ust)?)|Dec(?:ember)?|Feb(?:ruary)?|J(?:an(?:uary)?|u(?:ly|ne|[ln]))|Ma(?:rch|[ry])|Nov(?:ember)?|Oct(?:ober)?|Sep(?:tember)?)-月份名称及其缩写
- (?:-\d{1,2}-\d{4}|(?:\.?\s*\d{1,2}(?:st|[rn]d|th)?,?)?\s*\d{4})-两种选择之一：
  - -\d{1,2}-\d{4}--，先输入1或2位数字，再输入-，再输入4位数字
  - |-或
  - (?:\.?\s*\d{1,2}(?:st|[rn]d|th)?,?)?-匹配1或0次出现的可选非捕获组：
  - \.?-可选的.
  - \s*-超过0个空格
  - \d{1,2}-1或2位数字
  - (?:st|[rn]d|th)?-可选的字符序列：st，r或n，后跟d或th
  - ,?-可选逗号
  - \s*\d{4}-空格+0 + 4位数字
|-或
- \d{1,2}\s+-1或2位数字，然后是1+个空格
- (?:A(?:pr(?:il)?|ug(?:ust)?)|Dec(?:ember)?|Feb(?:ruary)?|J(?:an(?:uary)?|u(?:ly|ne|[ln]))|Ma(?:rch|[ry])|Nov(?:ember)?|Oct(?:ober)?|Sep(?:tember)?)-月份名称及其缩写（与上面相同）
- \.?-可选点
- ,?-可选逗号
- \s*-超过0个空格
- \d{4}-四位数
|-或
- (?:\d{1,2}/)?-可选的1或2位数字序列，然后是/
- \d{1,2}-1或2位数字
- /-/
- \d{2}(?:\d{2})?-2位数字和2位数字的可选序列（允许2位或4位数字，但不允许3位）
|-或
- (?:19|20)-19或20
- \d{2}-两位数字
)-推杆捕获组的结束
(?!\d)-前瞻性否定：当前位置的右边不允许有数字。

在Python中，您可以为模式定义块并动态构建：

months = r'(?:A(?:pr(?:il)?|ug(?:ust)?)|Dec(?:ember)?|Feb(?:ruary)?|J(?:an(?:uary)?|u(?:ly|ne|[ln]))|Ma(?:rch|[ry])|Nov(?:ember)?|Oct(?:ober)?|Sep(?:tember)?)'
pattern = rf'(?<!\d)((?<!\d[ \t]){months}(?:-\d{{1,2}}-\d{{4}}|(?:\.?\s*\d{{1,2}}(?:st|[rn]d|th)?,?)?\s*\d{{4}})|\d{{1,2}}\s+{months}\.?,?\s*\d{{4}}|(?:\d{{1,2}}/)?\d{{1,2}}/\d{{2}}(?:\d{{2}})?|(?:19|20)\d{{2}})(?!\d)'

Answer 2

尝试使用pandas.to_datetime()，它将最常用的日期格式转换为datetime对象。

Answer 3

尝试this模式。我的建议是，您应该将问题分解为多个部分，并尝试一次匹配一个模式。因为用于此问题的正则表达式有点凌乱，很难用一个表达式覆盖所有边缘情况。

我已包含了子正则表达式，因此您可以对其进行优化以验证边缘情况。

从数据集中提取文本

3 个答案: