python - 从数据框中的字符串中提取第一个日期

Question

我想从数据框 (Pandas) 中提取格式为 yyyy-mm-dd 的第一个日期。当没有找到日期时，只返回一个空字符串。这些是存储在数据框中的数据的一些示例。

1976-05-17 [ ]
[ ] 1976-05-172 
1976-05-17       
1976-05-17 Atlanta, Georgia U.S.  
1976-05-17 1975-07-11
( 1976-05-17 ) 1976-05-17 (age 38) [ ]

在所有情况下，我都需要 1976-05-17 或一个空字符串。

结果将在 DataFrame 上运行正则表达式并将结果添加到新列

Answer 1

要获得第一个，请使用 search，它将在第一个匹配的子字符串处停止:

 r = re.compile("\d{4}-\d{2}-\d{2}")

使用您的示例:

lines = """1976-05-17 [ ]
[ ] 1976-05-172
1976-05-17
1976-05-17 Atlanta, Georgia U.S.
1976-05-17 1975-07-11
( 1976-05-17 ) 1976-05-17 (age 38) [ ]"""
r = re.compile("\d{4}-\d{2}-\d{2}")
for line in lines.splitlines():
    m = r.search(line)
    if m:
        print(m.group())

输出:

1976-05-17
1976-05-17
1976-05-17
1976-05-17
1976-05-17
1976-05-17

如果你将它应用到一个 df，你可以测试是否有一个匹配项，如果有则使用匹配项或者使用一个空字符串作为值，即

import pandas as pd

df = pd.read_csv("test.txt")
print(df)
def match(x):
    m = r.search(x)
    if m:
        return  m.group()
    return  ""

输出:

print(df)
print df["date"].apply(match)

                                     date
0                          1976-05-17 [ ]
1                         [ ] 1976-05-172
2                              1976-05-17
3        1976-05-17 Atlanta, Georgia U.S.
4                   1976-05-17 1975-07-11
5  ( 1976-05-17 ) 1976-05-17 (age 38) [ ]


0    1976-05-17
1    1976-05-17
2    1976-05-17
3    1976-05-17
4    1976-05-17
5    1976-05-17
Name: date, dtype: object

如果您对非匹配项使用 Nan 没问题，您还可以将列设置为等于 str.extract 的返回值:

print df["date"].str.extract(r"(\d{4}-\d{2}-\d{2})")

将 "foo" 添加到列中:

0    1976-05-17
1    1976-05-17
2    1976-05-17
3    1976-05-17
4    1976-05-17
5    1976-05-17
6           NaN
Name: date, dtype: object