pandas - series.str.extract 正在删除捕获组的第一个字符

Posted 2023-03-12

【中文标题】pandas - series.str.extract 正在删除捕获组的第一个字符

【英文标题】：pandas - series.str.extract is dropping the first character of the capture group

【发布时间】：2021-03-25 16:53:20

【问题描述】：

我需要从下一个系列中提取日期：

---

0 03/25/93 总访问时间（以分钟为单位）：\n 1 名 6/18/85 初级保健医生：\n 2 sshe 计划自 7/8/71 起搬家 上门服务... 3 7 于 9/27/75 审核 C 分数 当前：\n 4 2/6/96 睡眠研究疼痛治疗疼痛等级 (N... 5 .Per 7/06/79 运动 D/O 注释：\n 6 4, 5/18/78 患者对当前 SU 的看法... 7 10/24/89 CPT 代码：90801 - 精神病诊断... 8 3/7/86 SOS-10 总分：\n 9 (4/10/71)Score-1Audit C 分数 当前：\n 10 (5/11/85) Crt-1.96, BUN-26; AST/ALT-16/22；白细胞... 11 4/09/75 SOS-10 总分：\n 12 8/01/98 与转诊医生沟通... 13 1/26/72 与转诊医生沟通... 14 5/24/1990 CPT 代码：90792：有医疗服务... 15 1/25/2011 CPT 代码：90792：带医疗服务... 16 4/12/82 总访问时间（以分钟为单位）：\n 17 1; 10/13/1976 审计 C 分数，最高/日期：\n

---

我正在尝试使用以下正则表达式

df.str.extract('.(\d1,4/\d1,4/\d1,4).')

但是，既然我指定了 1,4，为什么它会删除前两个数字中的第一个数字？

例如，从第 7 行到第 17 行，它应该分别提取“10/24/89”和“10/13/1976”，而不是“0/24/89”和“0/13/1976”

我也在尝试在捕获组的开头添加一个“？：”，但它不起作用

先谢谢了！

【问题讨论】：

我认为您正面临正则表达式“贪婪”与“懒惰”的问题。 ***.com/q/2301285/6361531

哇！这是一个快速反应斯科特。我只需要添加一个“？”在星号之后。非常感谢！ df.str.extract('.*?(\d1,4/\d1,4/\d1,4).*')

【参考方案1】：

我会在日期周围设置单词边界，即使用这种模式：

\b(\d+/\d+/\d+)\b

更新代码：

df['date'] = df['col'].str.extract('\b(\d+/\d+/\d+)\b')

这是一个regex demo，表明上述模式工作正常。