Python - 基于正则表达式检索和替换答案

【问题标题】：Python - Retrieve and replace based on a regexPython - 基于正则表达式检索和替换
【发布时间】：2016-09-26 13:27:36
【问题描述】：

基本上，我已将大约 17000 行的 csv 导入到 pandas 数据框中。有一个日期列已导入为int64，因为数据质量很差。日期的示例包括11969、12132001、1022013 等。所以我想我想做的就是从日期列中检索最后 4 个数字。

所以我使用的代码是：

test_str = str(df['Date'])
flags = re.MULTILINE
p = r'\d{4}$'
result = re.findall(p, test_str, flags)

当我print(result) 时，仅返回 17000 个值中的 60 个。我假设它只评估独特性，但经过长时间的谷歌搜索后，我无法弄清楚。关于如何解决这个问题的任何想法？

【问题讨论】：

标签： python python-2.7 pandas jupyter-notebook

【解决方案1】：

您的方法似乎确实有效（至少对于您提供的示例）：

import pandas as pd
rng = pd.Series([11969, 12132001, 1022013, 1022013])
test_str = str(rng)
flags = re.MULTILINE
p = r'\d{4}$'
result = re.findall(p, test_str, flags)
print(result)
# ['1969', '2001', '2013', '2013'] # not just unique values

但是这种将pandas 系列转换为字符串的方法是一种奇怪的做法，并且没有利用pandas 的固有结构。

您可以考虑这样做：

df['year_int'] = df['Date'] % 10000

如果df['Date'] 是int64，则获取最后四位数字。或者这样：

df['year_str'] = df['Date'].apply(lambda x: str(x)[-4:])

如果您希望转换为字符串，然后取最后四个字符。

print(df)
#        Date  year_int year_str
# 0     11969      1969     1969
# 1  12132001      2001     2001
# 2   1022013      2013     2013
# 3   1022013      2013     2013

【讨论】：

非常感谢——您的替代方法奏效了。是的，我知道我的正则表达式方式工作的样本/小数据集..它只是我只会返回 17000 行中的 60 行。正如你所说，我一定对熊猫做了一些奇怪的事情。应该多研究一下。