在 df 列上迭代不同的正则表达式模式

Posted 2023-02-23

【中文标题】在 df 列上迭代不同的正则表达式模式

【英文标题】：Iterate different Regular Expression Patterns over df Column

【发布时间】：2018-08-17 11:50:43

【问题描述】：

我有一个 df 列，其中包含文本，我正在尝试从中提取不同的日期模式。

这个df1 例如：

<index>    text    
0          My birthday is 10/23/89.
1          Christmas is on December 25th.
2          Thanksgiving of 11/2008 was the best.

所需的输出是第三列，称为dates：

<index>    text                                  dates
0          My birthday is 10/23/89.               10/23/89
1          Christmas is on December 25.           25 December
2          Thanksgiving of 11/2008 was the best.  11/2008

为了拉出我们的第一次约会，我写了我的第一个 re 表达式，像这样：

df1['dates'] = (df1['text'].str.findall(r'\d1,2[/-]\d1,2[/-]\d2 ,4'))

这就是我卡住的地方。

我不知道/不明白如何编写多个 re 表达式，而不是继续写 df1['dates'] 列中已有的内容。

我想运行下一个表达式：

df1['dates'] = df1['text'].str.findall(r'(?:\d1,2)?(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]* (?:\d1,2, )?\d4')

如何或最好的方法是查看df['dates'] 列是否为空，然后尝试下一个 re 表达式？

我今天早些时候问过这个问题，它被标记为可能与 this 重复，但我认为 DeepSpace 认为我比实际聪明得多，我的问题比他回答的问题更基本。

【参考方案1】：

你可以试试

df['dates'] = df['text'].str.extract('.*?(\d+/\d+/?\d*).*?')


    text                                    dates
0   My birthday is 10/23/89.                10/23/89
1   Christmas is 12/25.                     12/25
2   Thanksgiving of 11/2008 was the best.   11/2008

添加测试用例：

df['text'].str.extract('.*?(\d+/\d+/?\d*).*?|\
(January|February|March|April|May|June|July|August|September|October|November|December \d+)', expand = False)\
.fillna('').sum(1)

然后你得到

0       10/23/89
1    December 25
2        11/2008

【讨论】：

@Vaishiali 谢谢 - 这个表达式有帮助，但是真实的数据集也有一些月份，比如 'Oct'、'October' 所以真正的结果集并不是所有的数字。因此，我认为我仍然需要遍历数据集或获取 '|'运算符对我的数据使用多个正则表达式。

为了清楚起见更新了问题，并在我的数据中包含了一个文本月份以避免混淆。再次感谢您帮助我。

@SDS，很难为这种情况编写精确的正则表达式，但无论如何我已经更新了我的答案。在这里，我试图找到两种模式，数字格式的日期或月份名称格式，并使用轴 1 上的 sum 将两者结合起来