展开菜单
首页 精品内容 本月促销 装机必备 Windows PDF教程 macOS软件 IOS软件 Android AI 专题
全部分类

当前位置:

首页 > 编程开发 > Pandas日期清洗:精准提取年份技巧

Pandas日期清洗:精准提取年份技巧

本教程介绍如何使用Pandas高效清洗DataFrame中的日期字符串,目标是保留“日月年”格式并移除年份后的所有多余信息。我们将探讨利用正则表达式配合str.replace进行替换和str.extract进行精确提取的两种主要方法,确保数据格式的标准化。

本文目录

    Pandas DataFrame日期字符串清洗:精确截取至年份的实用技巧

    本教程介绍如何使用Pandas高效清洗DataFrame中的日期字符串,目标是保留“日 月 年”格式并移除年份后的所有多余信息。我们将探讨利用正则表达式配合str.replace进行替换和str.extract进行精确提取的两种主要方法,确保数据格式的标准化。

    在数据分析和处理中,日期数据的格式不一致是一个常见问题。例如,一个日期列可能包含“21 July 2023 (abcd)”、“22 July 2023 00:00:01”或“23 July 2023 -abcda”等多种带有额外信息的字符串。我们的目标是将这些日期字符串统一清洗为标准的“日 月 年”格式,即保留年份信息,并删除年份之后的所有字符。

    初始数据准备

    首先,我们创建一个示例Pandas DataFrame来模拟这种常见的数据场景:

    import pandas as pd
    
    # 创建示例 DataFrame
    data = {
        'id': [1, 2, 3],
        'date': [
            '21 July 2023 (abcd)',
            '22 July 2023 00:00:01',
            '23 July 2023 -abcda',
            '01 Jan 2024 (test)' # 增加一个不同年份的例子
        ]
    }
    df = pd.DataFrame(data)
    
    print("原始 DataFrame:")
    print(df)

    输出的原始 DataFrame 如下:

    原始 DataFrame:
       id                 date
    0   1  21 July 2023 (abcd)
    1   2  22 July 2023 00:00:01
    2   3  23 July 2023 -abcda
    3   4   01 Jan 2024 (test)

    方法一:使用 str.replace 结合正则表达式进行替换

    pandas.Series.str.replace 方法允许我们使用正则表达式来查找并替换字符串中的模式。通过巧妙地构造正则表达式,我们可以定位到年份之后的所有字符并将其替换为空字符串,从而达到清洗的目的。

    原理分析

    我们使用的正则表达式是 r'(?<=\b\d{4}\b).*'。

    • \b: 这是一个单词边界锚点,确保 \d{4} 匹配的是一个独立的四位数,而不是其他数字串的一部分。
    • \d{4}: 匹配任意连续的四个数字,这通常代表年份。
    • (?<=...): 这是一个“正向后瞻断言”(Positive Lookbehind Assertion)。它表示匹配的模式必须紧跟在括号内的模式之后,但括号内的模式本身不作为匹配结果的一部分。在这里,它确保我们匹配的是紧跟在四位年份数字之后的字符。
    • .*: 匹配任意字符(除了换行符)零次或多次。

    结合起来,(?<=\b\d{4}\b).* 的含义是:匹配所有紧跟在独立的四位数字(年份)之后的所有字符。我们将这些匹配到的字符替换为空字符串,从而移除年份后的所有内容。

    示例代码

    # 方法一:使用 str.replace 结合正则表达式
    df_replace = df.copy() # 复制 DataFrame 以便比较
    df_replace['date'] = df_replace['date'].str.replace(r'(?<=\b\d{4}\b).*', '', regex=True)
    
    print("\n使用 str.replace 清洗后的 DataFrame:")
    print(df_replace)

    输出结果:

    使用 str.replace 清洗后的 DataFrame:
       id          date
    0   1  21 July 2023
    1   2  22 July 2023
    2   3  23 July 2023
    3   4   01 Jan 2024

    方法二:使用 str.extract 结合正则表达式进行提取

    pandas.Series.str.extract 方法用于从字符串中提取符合特定正则表达式模式的子串。如果正则表达式中包含捕获组(即用括号 () 包裹的部分),str.extract 将返回这些捕获组的内容。

    原理分析

    我们使用的正则表达式是 r'(\d+ [a-zA-Z]+ \d{4})'。

    • (\d+ [a-zA-Z]+ \d{4}): 这是一个捕获组,它定义了我们希望提取的日期格式。
      • \d+: 匹配一个或多个数字,代表日期中的“日”。
      • ` `: 匹配一个空格。
      • [a-zA-Z]+: 匹配一个或多个英文字母,代表日期中的“月”。
      • ` `: 匹配一个空格。
      • \d{4}: 匹配四个数字,代表日期中的“年”。

    这个正则表达式直接描述了我们期望的“日 月 年”格式。str.extract 会找到并返回与这个捕获组匹配的子串。

    示例代码

    # 方法二:使用 str.extract 结合正则表达式
    df_extract = df.copy() # 复制 DataFrame 以便比较
    df_extract['date'] = df_extract['date'].str.extract(r'(\d+ [a-zA-Z]+ \d{4})', expand=False)
    
    print("\n使用 str.extract 清洗后的 DataFrame:")
    print(df_extract)

    输出结果:

    使用 str.extract 清洗后的 DataFrame:
       id          date
    0   1  21 July 2023
    1   2  22 July 2023
    3   3  23 July 2023
    4   4   01 Jan 2024

    注意: expand=False 参数确保 str.extract 返回一个 Series 而不是 DataFrame,这使得我们可以直接赋值给原列。

    其他考虑与注意事项

    1. 年份的灵活性: 上述两种方法都使用了 \d{4} 来匹配任意四位数字的年份,这使得它们能够处理不同年份的数据,而不仅仅是固定的“2023”。如果你的需求是只针对某个特定年份(例如,只在“2023”之后进行截断),你可以将 \d{4} 替换为具体的年份,例如 2023。

      • str.replace 示例:df['date'].str.replace(r'(?<=2023).*', '', regex=True)
      • str.extract 示例:df['date'].str.extract(r'(\d+ [a-zA-Z]+ 2023)', expand=False)
    2. 效率考量:

      • str.replace 和 str.extract 通常在一次操作中完成任务,对于大型数据集而言,它们的效率通常较高。
      • 避免使用多步 str 操作链,例如 df['date'].str.split(r'(?<=2023)', regex=True).str.get(0)。虽然这种方法也能实现类似效果,但它涉及到两次字符串操作(split 和 get),可能会降低性能。
    3. 数据类型转换: 清洗后的日期列仍然是 object(字符串)类型。为了进行更高级的日期时间操作(如排序、计算时间差、按时间维度聚合等),强烈建议将其转换为 Pandas 的 datetime 类型:

      df_cleaned = df_replace.copy() # 或 df_extract
      df_cleaned['date'] = pd.to_datetime(df_cleaned['date'], format='%d %B %Y')
      
      print("\n转换为 datetime 类型后的 DataFrame:")
      print(df_cleaned)
      print("\n'date' 列的数据类型:", df_cleaned['date'].dtype)

      输出结果:

      转换为 datetime 类型后的 DataFrame:
         id       date
      0   1 2023-07-21
      1   2 2023-07-22
      2   3 2023-07-23
      3   4 2024-01-01
      
      'date' 列的数据类型: datetime64[ns]

      注意: format='%d %B %Y' 参数非常重要,它告诉 pd.to_datetime 函数如何解析日期字符串(%d 代表日,%B 代表完整的月份名称,%Y 代表四位年份)。如果你的月份是缩写(如 "Jul"),则应使用 %b。

    总结

    本文介绍了两种在Pandas DataFrame中清洗日期字符串的有效方法,旨在保留“日 月 年”格式并移除年份后的冗余信息。str.replace 结合正向后瞻断言的正则表达式适用于删除特定模式后的内容,而 str.extract 则通过捕获组直接提取所需模式。在实际应用中,选择哪种方法取决于你的具体需求和个人偏好。无论选择哪种,最终都建议将清洗后的字符串转换为 datetime 类型,以便进行后续的日期时间分析。掌握这些技巧将大大提高你在数据预处理阶段的效率和准确性。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    精品专题 更多
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    macOS软件

    正软商城macOS软件专区,精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具,提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。

    IOS软件

    正软商城iOS软件专区,精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用,提供功能介绍、适用设备、系统要求和正版获取方式等信息。

    AI

    正软商城AI软件专区,汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具,提供功能介绍、适用平台、收费方式及正版购买信息。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    立刻MV 网页版
    立刻MV 网页版

    立刻MV 面向音乐人、内容创作者和品牌团队,帮助用户低成本完成歌曲 MV、歌词视频、AI 分镜、图生视频与最终合成。

    蛙蛙写作 网页版
    蛙蛙写作 网页版

    蛙蛙写作 AI 创作工具,覆盖小说、剧本、文案,一键生成文稿,打通文字转视频全流程,高效解决创作难题。

    超级简历WonderCV 网页版
    超级简历WonderCV 网页版

    超级简历WonderCV是面向应届生和AI小白的智能求职平台,覆盖简历、面试与职业规划。

    音述AI 网页版
    音述AI 网页版

    音述AI,是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区。

    AionClaw macOS版
    AionClaw macOS版

    AionClaw 是可在桌面端运行的任务型 AI 助手,通过数字专家与技能市场组合办公、创作、数据和开发能力。

    Loomy macOS版
    Loomy macOS版

    Loomy 是科大讯飞推出的桌面 AI 助手,可通过对话、任务与工作目录协助处理办公、内容创作和资料整理。

    AirBuddy 3 macOS版
    AirBuddy 3 macOS版

    AirBuddy 3 是面向 macOS 的蓝牙外设增强工具,可集中查看 AirPods、Beats 与苹果设备电量,提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。

    AirServer macOS版
    AirServer macOS版

    AirServer macOS版可把 Mac 转换为无线投屏接收端,通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面,并支持多设备同时连接、高清镜像及会话录制,适合家庭娱乐、课堂教学、会议演示和应用展示。

    AnyDesk macOS版
    AnyDesk macOS版

    AnyDesk macOS版是一款适用于远程办公、设备维护和客户支持的远程桌面工具,可连接并操作异地计算机,支持文件传输、无人值守访问、会话权限控制及跨平台协作。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。

    讯飞绘文 网页版
    讯飞绘文 网页版

    讯飞绘文网页版是科大讯飞推出的AI图文创作与内容运营工具,覆盖热点选题、文章生成、稿件校对、智能配图、排版发布和数据复盘等环节,适合自媒体创作者及内容团队在线使用。

    Maya(Autodesk Maya) Windows版
    Maya(Autodesk Maya) Windows版

    Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件,集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体,

    Aperty Windows版
    Aperty Windows版

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    立刻MV 网页版
    立刻MV 网页版

    立刻MV 面向音乐人、内容创作者和品牌团队,帮助用户低成本完成歌曲 MV、歌词视频、AI 分镜、图生视频与最终合成。

    蛙蛙写作 网页版
    蛙蛙写作 网页版

    蛙蛙写作 AI 创作工具,覆盖小说、剧本、文案,一键生成文稿,打通文字转视频全流程,高效解决创作难题。

    超级简历WonderCV 网页版
    超级简历WonderCV 网页版

    超级简历WonderCV是面向应届生和AI小白的智能求职平台,覆盖简历、面试与职业规划。

    音述AI 网页版
    音述AI 网页版

    音述AI,是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区。

    AionClaw Windows版
    AionClaw Windows版

    AionClaw 是可在桌面端运行的任务型 AI 助手,通过数字专家与技能市场组合办公、创作、数据和开发能力。

    Loomy Windows版
    Loomy Windows版

    Loomy 是科大讯飞推出的桌面 AI 助手,可通过对话、任务与工作目录协助处理办公、内容创作和资料整理。