从混合字母和数字列熊猫中提取日期时间

Posted 2023-03-11

【中文标题】从混合字母和数字列熊猫中提取日期时间

【英文标题】：Extracting date time from a mixed letter and numeric column pandas

【发布时间】：2022-01-02 03:49:13

【问题描述】：

我在 pandas 数据框中有一列包含两种类型的信息 = 1. 日期和时间，2=公司名称。我必须将列分成两列（date_time、full_company_name）。首先，我尝试根据字符数拆分列（前 19 个一列，其余列到另一列），但后来我意识到有时日期会丢失，因此拆分可能不起作用。然后我尝试使用正则表达式，但我似乎无法正确提取它。

栏目：

想要的输出：

【参考方案1】：

如果日期格式都正确，也许你不必使用正则表达式

df = pd.DataFrame("A": ["2021-01-01 05:00:00Acme Industries",
                         "2021-01-01 06:00:00Acme LLC"])
df["date"] = pd.to_datetime(df.A.str[:19])
df["company"] = df.A.str[19:]
df
#                                     A                 date          company
# 0  2021-01-01 05:00:00Acme Industries  2021-01-01 05:00:00  Acme Industries
# 1         2021-01-01 06:00:00Acme LLC  2021-01-01 06:00:00         Acme LLC

或

df.A.str.extract("(\d4-\d2-\d2\s\d2:\d2:\d2)(.*)")

【讨论】：

谢谢！问题是它们可能在以后的一些条目中丢失（我只分享了该列的一个 sn-p）

【参考方案2】：

注意： 如果您可以选择避免连接这些字符串，请这样做。这不是一个健康的习惯。

解决方案（不是那么漂亮）：

import pandas as pd
from datetime import datetime
import re

df = pd.DataFrame()
# creating a list of companies
companies = ['Google', 'Apple', 'Microsoft', 'Facebook', 'Amazon', 'IBM', 
             'Oracle', 'Intel', 'Yahoo', 'Alphabet']
# creating a list of random datetime objects
dates = [datetime(year=2000 + i, month=1, day=1) for i in range(10)]
# creating the column named 'date_time/full_company_name'
df['date_time/full_company_name'] = [f'str(dates[i])companies[i]' for i in range(len(companies))]

# Before:
# date_time/full_company_name
# 2000-01-01 00:00:00Google
# 2001-01-01 00:00:00Apple
# 2002-01-01 00:00:00Microsoft
# 2003-01-01 00:00:00Facebook
# 2004-01-01 00:00:00Amazon
# 2005-01-01 00:00:00IBM
# 2006-01-01 00:00:00Oracle
# 2007-01-01 00:00:00Intel
# 2008-01-01 00:00:00Yahoo
# 2009-01-01 00:00:00Alphabet

new_rows = []
for row in df['date_time/full_company_name']:
    # extract the date_time from the row using regex
    date_time = re.search(r'\d4-\d2-\d2 \d2:\d2:\d2', row)
    # handle case of empty date_time
    date_time = date_time.group() if date_time else ''
    # extract the company name from the row from where the date_time ends
    company_name = row[len(date_time):]
    # create a new row with the extracted date_time and company_name
    new_rows.append([date_time, company_name])

# drop the column 'date_time/full_company_name'
df = df.drop(columns=['date_time/full_company_name'])
# add the new columns to the dataframe: 'date_time' and 'company_name'
df['date_time'] = [row[0] for row in new_rows]
df['company_name'] = [row[1] for row in new_rows]

# After:
# date_time            full_company_name
# 2000-01-01 00:00:00       Google
# 2001-01-01 00:00:00       Apple
# 2002-01-01 00:00:00       Microsoft
# 2003-01-01 00:00:00       Facebook
# 2004-01-01 00:00:00       Amazon
# 2005-01-01 00:00:00       IBM
# 2006-01-01 00:00:00       Oracle
# 2007-01-01 00:00:00       Intel
# 2008-01-01 00:00:00       Yahoo
# 2009-01-01 00:00:00       Alphabet

【参考方案3】：

使用非捕获组 ?.* 代替 (.*)

df = pd.DataFrame("A": ["2021-01-01 05:00:00Acme Industries",
                         "2021-01-01 06:00:00Acme LLC"])

df.A.str.extract("(\d4-\d2-\d2\s\d2:\d2:\d2)?.*")

【讨论】：

谢谢，但与 df.A.str.extract("(\d4-\d2-\d2\s\d2: \d2:\d2)(.*)") ?

?.* 是一个非贪婪非捕获组。它不会在 re.findall 模式匹配中返回组结果。