使用 Pandas 重新格式化用户输入不一致的日期

Question

我正在尝试清理包含“birth_date”列的用户输入数据的电子表格。 我遇到的问题是用户之间的日期格式范围很广，包括在日期、月份和年份之间没有标记的输入。 我很难开发一个足够智能的公式来解释如此广泛的输入。 这是一个示例：

1/6/46
7/28/99
11272000
11/28/78

这是我开始的地方：

df['birth_date']=pd.to_datetime(df.birth_date)

这似乎并没有超过第一个例子，因为它寻找的是两个月的格式。 有人能帮忙吗？

Answer 1

最好的办法是检查每个输入并给出一致的输出。 假设是 Month-Day-Year 格式，可以使用这个函数

import pandas as pd
import re

def fix_dates(dates):
    new = []
    for date in dates:
        chunks = re.split(r"[\/\.\-]", date)
        if len(chunks) == 3:
            m, d, y = map(lambda x: x.zfill(2), chunks)
            y = y[2:] if len(y) == 4 else y
            new.append(f"{m}/{d}/{y}")
        else:
            m = date[:2]
            d = date[2:4]
            y = date[4:]
            y = y[2:] if len(y) == 4 else y
            new.append(f"{m}/{d}/{y}")
    return new

inconsistent_dates = '1/6/46 7/28/99 11272000 11/28/78'.split(' ')

pd.to_datetime(pd.Series(fix_dates(inconsistent_dates)))

0   2046-01-06
1   1999-07-28
2   2000-11-27
3   1978-11-28
dtype: datetime64[ns]