疫苗接种记录文本解析字段错位：如何修正代码实现正确映射

原始数据 #

vaccinations_text = """
|Entry #|Vaccine|Type of vaccine|Lot #|Manufacturer|VIS edition date|Date given|Vaccinator (initials)|
|1|Influenza|H1N1|2F03930|NOV|8/24/09|12/7/09|PLE|
|2|Tetanus, Diphtheria, Pertussis|Td|U049393AA|ASP|4/2/95|10/7/95|ODK|
|3|Tetanus, Diphtheria, Pertussis|Td|U049393AA|ASP|4/2/95|11/7/95|WMK|
|4|Tetanus, Diphtheria, Pertussis|Td|U049393AA|ASP|4/2/95|4/7/96|CPK|
|5|Tetanus, Diphtheria, Pertussis|Tdap|AC9349239AA|GSK|2/12/07|3/1/07|CPK|
|6|Measles, Mumps, Rubella|MMR|02302L|DVX|9/7/15|11/4/15|WNK|
|7|Hepatitis B|Heplisav-B|TD02302|DVX|9/9/16|10/4/18|WNK|
"""

需求 #

将上述字符串解析为vaccination_records列表，每个元素是由（列头，对应值）元组组成的列表，例如Entry 1应解析为：

[('Entry #', 1), ('Vaccine', 'Influenza'), ('Type of vaccine', 'H1N1'), ...]

所有日期需转换为dt.date类型。

错误代码 #

import re
import datetime as dt

vaccination_records = []
lines = vaccinations_text.strip().split('\n')
headers = lines[0].split('|')[1:-1]  
date_pattern = re.compile(r'(\d{1,2}/\d{1,2}/\d{2})')

for line in lines[1:]:
    values = line.split('|')[1:-1]  
    record = [('Entry #', int(values[0]))]

    for header, value in zip(headers, values[1:]):
        if header == 'Date given':
            date = date_pattern.search(value)
            if date:
                date = dt.datetime.strptime(date.group(0), '%m/%d/%y').date()
                record.append((header, date))
        else:
            record.append((header, value))

    vaccination_records.append(record)

错误结果示例 #

Entry 1的解析结果出现字段错位：

[('Entry #', 1), ('Entry #', 'Influenza'), ('Vaccine', 'H1N1'), ('Type of vaccine', '2F03930'), ('Lot #', 'NOV'), ('Manufacturer', '8/24/09'), ('VIS edition date', '12/7/09')]

问题原因与修正方案 #

错误原因 #

代码手动添加了('Entry #', int(values[0]))到record后，又用zip(headers, values[1:])遍历配对，导致headers的第一个元素（'Entry #'）和values[1:]的第一个元素（'Influenza'）错误配对，出现重复字段，后续所有字段全部错位。同时原代码只处理了Date given一个日期字段，遗漏了VIS edition date。

修正后的代码 #

import datetime as dt

vaccination_records = []
lines = vaccinations_text.strip().split('\n')
headers = lines[0].split('|')[1:-1]  

for line in lines[1:]:
    values = line.split('|')[1:-1]  
    record = []
    for header, value in zip(headers, values):
        if header == 'Entry #':
            # 转换Entry #为整数
            record.append((header, int(value)))
        elif header in ['VIS edition date', 'Date given']:
            # 转换两个日期字段为dt.date类型
            date = dt.datetime.strptime(value, '%m/%d/%y').date()
            record.append((header, date))
        else:
            record.append((header, value))
    vaccination_records.append(record)

关键修改点 #

1. 移除手动添加的第一个字段，直接遍历所有headers和values的完整配对，确保字段一一对应。
2. 同时处理Entry #的整数转换，以及两个日期字段的类型转换，避免遗漏。
3. 去掉冗余的正则匹配，日期格式固定，直接用strptime解析即可。

验证结果 #

Entry 1的正确解析结果：

[('Entry #', 1), ('Vaccine', 'Influenza'), ('Type of vaccine', 'H1N1'), ('Lot #', '2F03930'), ('Manufacturer', 'NOV'), ('VIS edition date', datetime.date(2009, 8, 24)), ('Date given', datetime.date(2009, 12, 7)), ('Vaccinator (initials)', 'PLE')]

内容的提问来源于stack exchange，提问作者Rstudyer