如何從Python中使用正則表達式提取的日期中刪除垃圾值

Question

目標：從病歷中提取日期（存儲在熊貓系列中，日期采用所有可能的格式）

對於數字日期，我使用了：

str.extractall(r'((?:\b\d{1,2}[/]){1,2}(?:(?:\d{2}\b)|\b\d{4}\b))')

問題：

輸入文字1 ：

"(5/11/85) Crt-1.96, BUN-26; AST/ALT-16/22; Independent

輸出1 ： 5/11/85 （如所希望的）但也： 16/22

輸入文字2 ：

[text...] (7/11/77) CBC: 4.9/36/308 Pertinent [...]:

輸出2 ： 7/11/77 （ 7/11/77 ），但也為9/36

特別是第二種情況很難，因為將其轉換為日期會返回：2036年9月，因此，不能以這種方式選擇它。

[^-]使情況更糟。

日期在文本中無處不在，例如：

[...] has also taken diet pills (last episode in Feb 1993) but [...]

1993年2月等不是問題。

Answer 1

您應該指定“所有格式”的含義。 在您的示例中，您僅顯示1種格式。 是否可以全部顯示“ JAN-02-2016”，“ 01/02/2016”，“ 02/01/2016”？ 歐洲和美國時間格式？ 等等？

在您的示例中，日期看起來總是在行的開頭，並且用括號括起來，但是，這使得它很簡單。

^（（\\ d + / \\ d +））。 | ^（（\\ d + / \\ d + / d +））。

Answer 2

使用正則表達式的主要規則是：了解數據。 您必須編寫盡可能准確的正則表達式。

然后，我建議您將這些原始日期解析為實際的，完整的日期對象 。 它有兩個主要目標：首先，您過濾掉正則表達式匹配項； 其次，現在您可以使用日期對象的方法以更方便，便捷的方式處理日期，而不僅僅是比較文本字符串。 例如，您可以訪問日期的日，月或年，將其與所需值進行比較，然后根據這種比較過濾出日期。

對於日期解析，我建議您使用復雜的日期解析庫之一，例如dateutil或dateparser ，它們免費為您處理許多棘手的細節。