Python医疗账单文本提取：不规则跨行日期格式处理问题

原代码仅能处理单行格式的医疗账单数据，无法应对部分账单的跨行结构——这类账单的起始日期、服务类型、金额信息在第一行，结束日期与程序编号在第二行，导致数据提取不全。以下是修正后的解决方案：

修正后的代码 #

import pandas as pd
import re

input_file_path = r'C:\Users\test\Downloads\PracticalAssessmentFiles\Input.txt'
output_file_path = r'C:\Users\test\Downloads\PracticalAssessmentFiles\output.xlsx'

# 按行读取并预处理文本（去除空行与首尾空格）
with open(input_file_path, 'r') as file:
    lines = [line.strip() for line in file if line.strip()]

processed_lines = []
i = 0
while i < len(lines):
    current_line = lines[i]
    # 识别需要合并的跨行条目：当前行包含起始日期、服务类型和所有金额字段，但缺少程序编号
    if re.match(r'\d{2}/\d{2}/\d{2,4}\s+[\w\s]+\s+[\d.]+\s+[\d.]+\s+[\d.]+\s+[\d.]+\s+[\d.]+\s+[\d.]+$', current_line):
        if i + 1 < len(lines):
            # 合并当前行与下一行的结束日期、程序编号信息
            merged_line = f"{current_line} {lines[i+1]}"
            processed_lines.append(merged_line)
            i += 2
            continue
    processed_lines.append(current_line)
    i += 1

# 合并处理后的行，执行正则匹配
input_string = '\n'.join(processed_lines)
pattern = r'(\d{2}/\d{2}/\d{2,4}(?:\s*-\s*\d{2}/\d{2}/\d{2,4})?)\s+([\w\s]+)\s+([\dA-Z]+)\s+([\d.]+)\s+([\d.]+)\s+([\d.]+)\s+([\d.]+)\s+([\d.]+)\s+([\d.]+)'
matches = re.findall(pattern, input_string)

# 转换为结构化数据
data = []
for match in matches:
    service_date, service_type, procedure_number, billed, allowed, paid, non_covered, deductible, copayment = match
    data.append({
        "Service Date": service_date,
        "Type of Service": service_type,
        "Procedure Number": procedure_number,
        "Amount Billed": billed,
        "Amount Allowed": allowed,
        "Amount We Paid": paid,
        "Non Covered": non_covered,
        "Deductible": deductible,
        "Copayment": copayment
    })

# 导出到Excel文件
df = pd.DataFrame(data)
df.to_excel(output_file_path, index=False)

print(f"数据已处理并保存至 {output_file_path}")

关键逻辑说明 #

• 跨行合并处理：遍历文本行，通过正则识别出不完整的账单行，将其与下一行合并，确保每个账单的所有信息都在同一行中。
• 正则匹配兼容：保留原正则的匹配规则，同时支持单日期格式和合并后的双日期格式（起始日期-结束日期）。
• 结构化数据导出：将提取到的字段映射为指定的Excel列名，最终导出为无索引的Excel文件。

内容的提问来源于stack exchange，提问作者prudhvi