使用regex從Python數據框中提取和排序日期

Question

我正在研究單列pandas數據幀，包含數千（行）的字符串表達式。 每個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

要使用幾個字符串作為示例：

 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（）函數，這樣df.str.findall（r''）就會提取日期元素：

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

從原始字符串開始，然后是一些'sort'命令行，按照時間順序按提取的日期對它們的索引進行排序，這樣輸出應該看起來像

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

我（暫時）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}') 

但不知道如何處理

（1）數字后的序數指示符：st，th，nd

（2）偶爾“。” 表示縮寫的值，和

（3）斜杠（/）和連字符（ - ）

一次性使用正則表達式最終函數。

此外，在完成所有提取工作之后，我想按時間順序對它們各自的索引（即1,2,3，...，n）進行排序。 但是我目前對正則表達式的了解不足以知道Python如何按時間順序對這些不同的日期格式進行排序。

如果有人可以在.findall（）函數上使用一些方便的技巧來啟發我，或者解釋用於排序日期表達式的機制，將會非常感激。

Answer 1

dateutil.parser.parse可以幫助你避免正則表達式 - 這肯定是一件好事。

它基本上需要一個字符串並嘗試在datetime對象中解析它，這很好，因為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))

切割輸出：

[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) ...]

你可以看到你在兩點上獲勝：

1. 對日期時間對象進行排序非常容易
2. 您不必信任任何長而復雜的正則表達式模式來知道字符串是否為日期， parse為您執行此操作

Answer 2

我會嘗試使用以下兩個模塊。 dateutil在這個答案中：

從Python中的字符串中提取日期

和/或日期分析員：

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

Answer 3

試試這個“”“（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}'）“”“