python - 如何对 Pandas RE .str.extract() 使用 RE OR 操作数

Question

我是新手，我确信这在我的代码中有些愚蠢。在我的辩护中，我尝试重新阅读 Python RE 文档 here在询问和搜索之前，但到目前为止没有看到重复的问题(这让我感到惊讶。)

在 DataFrame 之外，我在这里有重新工作的示例:

x = 'my best friend's birthday is 24 Jan 2001.'
print(re.findall('\d{1,2}\s(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d{2,4}', x))
<Anaconda console returns:> 24 Jan 2001

但是在我的 Dataframe (df1) 中我有以下内容:

index     text
0         My birthday is 2/21/19
1         Your birthday is 4/1/20
2         my best friend's birthday is 24 Jan 2001.   

当我运行以下代码时:

df1['dates'] = df1['text'].str.extract('.*?(\d+[/-]\d+[/-]?\d*).*?|\d{1,2}\s(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d+')
print('df1['dates'])

我得到以下结果:

     dates
0    2/21/19
1    4/1/20
2    NaN

我曾尝试使用括号、重新阅读文档以及其他一些导致无休止错误的调整。我确定这是一个明显的错误，但我没有看到。有人可以帮忙吗？谢谢。

Answer 1

在 pandas 中使用 .extract() 时，您必须有一个捕获组。您在 OR 之前的捕获组 | 正在查找带斜线的日期。但是在 OR 之后，您只有一个非捕获组。

这里我在整个搜索模式周围放置了一个捕获，并且 OR 的每一侧也有一个非捕获组。

import pandas as pd

df = pd.DataFrame({'text': ['My birthday is 2/21/19', 
    'Your birthday is 4/1/20', 
    'my best friend\'s birthday is 24 Jan 2001.']})

df.text.str.extract(
    r'((:?\d+[/-]\d+[/-]?\d*)|' + 
    r'(:?\d{1,2}\s(:?Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*\s\d+))', 
    expand=False)[0]

# returns:
0        2/21/19
1         4/1/20
2    24 Jan 2001