使用regex从Python数据框中提取和排序日期

Question

我正在研究单列pandas数据帧，包含数千（行）的字符串表达式。 每个字符串可能包含不同格式的“日期”信息，例如：

05/10/2001; 05/10/01; 5/10/09; 6/2/01
May-10-2001; May 10, 2010; March 25, 2001; Mar. 25, 2001; Mar 25 2001;
25 Mar 2001; 25 March 2001; 25 Mar. 2001; 25 March, 2001
Mar 25th, 2001; Mar 25th, 2001; Mar 12nd, 2001
Feb 2001; Sep 2001; Oct 2001
5/2001; 11/2001
2001; 2015

要使用几个字符串作为示例：

 df[0] he plans to depart on 6/12/95 df[1] as of Mar. 23rd, 2011, the board decides that... df[2] the 12-28-01 record shows... 

我想在df之后使用findall（）函数，这样df.str.findall（r''）就会提取日期元素：

 [0] 6/12/95 [1] Mar. 23rd, 2011 [2] 12-28-01 

从原始字符串开始，然后是一些'sort'命令行，按照时间顺序按提取的日期对它们的索引进行排序，这样输出应该看起来像

 [0] 1 [1] 3 [2] 2 

我（暂时）使用以下功能

 df.str.findall(r'(?:\\d{2} )?(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[az]* (?:\\d{2}, )?\\d{4}') 

但不知道如何处理

（1）数字后的序数指示符：st，th，nd

（2）偶尔“。” 表示缩写的值，和

（3）斜杠（/）和连字符（ - ）

一次性使用正则表达式最终函数。

此外，在完成所有提取工作之后，我想按时间顺序对它们各自的索引（即1,2,3，...，n）进行排序。 但是我目前对正则表达式的了解不足以知道Python如何按时间顺序对这些不同的日期格式进行排序。

如果有人可以在.findall（）函数上使用一些方便的技巧来启发我，或者解释用于排序日期表达式的机制，将会非常感激。

Answer 1

dateutil.parser.parse可以帮助你避免正则表达式 - 这肯定是一件好事。

它基本上需要一个字符串并尝试在datetime对象中解析它，这很好，因为datetime可以很容易地排序。

from dateutil.parser import parse

data = """05/10/2001; 05/10/01; 5/10/09; 6/2/01
May-10-2001; May 10, 2010; March 25, 2001; Mar. 25, 2001; Mar 25 2001;
25 Mar 2001; 25 March 2001; 25 Mar. 2001; 25 March, 2001
Mar 25th, 2001; Mar 25th, 2001; Mar 12nd, 2001
Feb 2001; Sep 2001; Oct 2001
5/2001; 11/2001
2001; 2015"""

# Parse data into list of strings
data = data.replace('\n', ';').split(';')

dates = []
for line in data:
    try:
        dates.append(parse(line))
    except TypeError:
        # it's not parsable
        pass

print list(sorted(dates))

切割输出：

[datetime.datetime(2001, 2, 4, 0, 0), datetime.datetime(2001, 3, 12, 0, 0), datetime.datetime(2001, 3, 25, 0, 0), datetime.datetime(2001, 3, 25, 0, 0) ...]

你可以看到你在两点上获胜：

1. 对日期时间对象进行排序非常容易
2. 您不必信任任何长而复杂的正则表达式模式来知道字符串是否为日期， parse为您执行此操作

Answer 2

我会尝试使用以下两个模块。 dateutil在这个答案中：

从Python中的字符串中提取日期

和/或日期分析员：

https://dateparser.readthedocs.io/en/latest/

Answer 3

试试这个“”“（r'（？：\\ d {1,2} [] [/ - ] ）？（？:(？：Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | 10月| 11月| 12月）[az] *）？（？：\\ d {1,2} [/ - ]）？\\ d {2,4}'）“”“