如何从未处理的文本/数据中提取人的年龄和性别？答案

【问题标题】：How to extract age and gender of the person from unprocessed text/data?如何从未处理的文本/数据中提取人的年龄和性别？
【发布时间】：2020-08-17 01:30:59
【问题描述】：

我有一个带有文本列表的 CSV 文件（带有行的列），我想从每一行中提取患者的年龄，我不能用“是数字”做，因为还有一些其他数字在文本中。我怎么能做这样的事情？谢谢你

额外：我也想提取性别 - 患者有时被称为男性/女性，有时被称为男性/女性，有时被称为绅士/女士。

如果文本是 17 岁，是否有编写 findall 的方法，如果后面是 -year-old，则打印我的数字

re.findall("[\d].", '-year-old')

文本中的行示例：

This 23-year-old white female presents with...

...pleasant gentleman who is 42 years old...

...The patient is a 10-1/2-year-old born with...

...A 79-year-old Filipino woman...

Patient, 37,...

我如何获得年龄/性别列表

即：

Age:

    ['23','42','79','37'...]

Gender:

    ['female','male','male','female','male'...]

【问题讨论】：

看看使用正则表达式。
您的问题已经得到解答。检查here

标签： python pandas nlp data-science re

【解决方案1】：

re_list = [
    '\d*\-year-old',
    '\d*\ year old'
]

matches = []
for r in re_list:
    matches += re.findall( r, 'pleasant gentleman who is 42 years old, This 23-year-old white female presents with')
print(matches)

打印出来：

['23-year-old', '42 year old']

【讨论】：

【解决方案2】：

您可以使用 regex（正则表达式）轻松做到这一点。

import re

# returns all numbers
age = re.findall("[\d].", your_text)

# returns all words related to gender
gender = re.findall("female|gentleman|woman", your_text)

你可以用字典来对待的性别部分得到你的正确答案

gender_dict = {"male": ["gentleman", "man", "male"],
               "female": ["female", "woman", "girl"]}
gender_aux = []
for g in gender:
    if g in gender_dict['male']:
        gender_aux.append('male')
    elif g in gender_dict['female']:
        gender_aux.append('female')

【讨论】：

谢谢，但关键是文本中还有一些其他数字，所以它对我 re.findall 不起作用。是否有一种方法可以编写 findall，例如，如果文本是 17 岁，如果后面是 -year-old re.findall("[\d].", '-year-old')，则打印我的数字
'he is male, and the male is 25 years" 在这种情况下，男性将在列表中被追加 2 次？所以我应该通过删除重复项来避免它，还是还有其他方法？