如果列不是所有时间戳，如何用字符串替换数据框中的时间戳？

Question

我正在尝试使用无法编辑的 Excel 电子表格构建机器学习模型。 .xls 中的一些列存在格式问题，因此某些数据显示为日期时间戳，而不是 str 或 int。以下是 pd 数据框的示例：

0     40-49   premeno      15-19                  0-2       yes          3   
1     50-59      ge40      15-19                  0-2        no          1   
2     50-59      ge40      35-39                  0-2        no          2   
3     40-49   premeno      35-39                  0-2       yes          3   
4     40-49   premeno      30-34  **2019-05-03 00:00:00**       yes          2

在第 4 行中，3-5 的值被意外格式化为日期（在 xls 中显示为 03 May），因此被指定为数据框中的日期时间戳。我尝试了很多方法将2019-05-03 00:00:00 替换为3-5，包括：

df['column'] = df['column'].replace([('2019-05-03 00:00:00')], '3-5') 

并使用 Timestamp.replace 但似乎都不起作用。关于如何用正确的数据替换这些格式错误的数据点有什么想法吗？

Answer 1

可能有更简单的方法，但您可能需要使用积极的环顾四周来申请 re.search。

import re

pat1 = '(?<=\*{2}\d{4}-0\d-0)(\d)(?= 00:00:00\*\*)'

pat2 = '(?<=\*{2}\d{4}-0)(\d)(?=-0\d 00:00:00\*\*)'

df['column'] = df['column'].astype(str).apply(
        lambda x: (re.search(pat2, '**2019-05-03 00:00:00**').group()
                   +'-'+re.search(pat1, '**2019-05-03 00:00:00**').group())
                   if '**' in x else x
     )

Answer 2

您可以使用apply 迭代列并检查元素是否为pd.Timestamp 的实例；如果是，则提取字符串“day-month”，否则保持原样。

例如：

import pandas as pd

# what you have is something like (mixed datatype column/Series)
df = pd.DataFrame({'label': ['0-2', '1-3', pd.Timestamp('2019-05-03')]})

# iterate the column with an apply, extract day-month string if pd.Timestamp
df['label1'] = df['label'].apply(lambda x: f"{x.day}-{x.month}" if isinstance(x, pd.Timestamp) else x)

# ... to get
df['label1'] 
0    0-2
1    1-3
2    3-5
Name: label1, dtype: object

• 另见：Python pandas: how to obtain the datatypes of objects in a mixed-datatype column?