如何检测并拆分单列中的回历与公历日期范围至独立列？

针对混合日期格式的问题，我们可以通过通用正则提取+分类拆分+可选格式标准化的步骤解决，具体实现如下：

步骤说明 #

1. 提取所有日期片段：用灵活的正则匹配所有带هـ（回历）或م（公历）标识的日期，兼容/、\、-等分隔符及空格混乱的情况。
2. 分类回历与公历：根据后缀标识将日期分为回历组和公历组。
3. 拆分日期范围：从每组中提取起始和结束日期，生成独立列。
4. 可选标准化格式：统一分隔符、调整日期顺序，解决格式混乱问题。

完整代码实现 #

基础拆分版本（保留原始格式） #

import pandas as pd
import re

# 加载数据（实际使用时替换为pd.read_excel('Local Festivals.xlsx')）
df = pd.DataFrame({
    'Occasion': ['EVENT 1', 'EVENT 2', 'EVENT 3'],
    'Date Range': [
        '2 / 1 / 1445 هـ -  17 / 6 / 1445 هـ - 20 / 7 / 2023  -  30 / 12 / 2023 م',
        '13 \\ 1 \\ 1445 هـ‍ - 16 \\ 5 \\ 1445 هـ‍ - 31 \\ 7 \\ 2023 م - 30 \\ 11 \\ 2023 م',
        '1445/4/11-1445/3/30 هـ - 15-2023/10/26  م'
    ]
})

# 匹配所有日期格式的正则：兼容/、\、-分隔符，带或不带空格，后跟هـ/م
date_regex = re.compile(r'\d+\s*[\\/-]\s*\d+\s*[\\/-]\s*\d+\s*[هـم]|\d+\s*-\s*\d+\s*[\\/-]\s*\d+\s*[\\/-]\s*\d+\s*[هـم]')

def split_date_ranges(date_range_str):
    # 提取所有日期片段
    all_dates = date_regex.findall(date_range_str)
    # 按标识分类回历和公历日期
    hijri_dates = [d.strip() for d in all_dates if 'هـ' in d]
    gregorian_dates = [d.strip() for d in all_dates if 'م' in d]
    
    # 分配起始/结束日期（不足则设为None）
    return pd.Series([
        hijri_dates[0] if len(hijri_dates) >=1 else None,
        hijri_dates[1] if len(hijri_dates) >=2 else None,
        gregorian_dates[0] if len(gregorian_dates) >=1 else None,
        gregorian_dates[1] if len(gregorian_dates) >=2 else None
    ], index=['Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End'])

# 应用拆分函数到每一行
df[['Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End']] = df['Date Range'].apply(split_date_ranges)

# 输出结果
print(df[['Occasion', 'Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End']])

格式标准化版本（统一日期格式） #

如果需要统一日期格式（比如将所有分隔符改为/，调整年在前的格式为日/月/年），可以添加以下扩展代码：

def standardize_date(date_str):
    if not date_str:
        return None
    # 清理空格、替换统一分隔符
    cleaned = re.sub(r'\s+', '', date_str).replace('\\', '/')
    # 处理混合-和/的格式（如15-2023/10/26）
    cleaned = cleaned.replace('-', '/')
    # 拆分日期部分和后缀标识
    date_part, suffix = re.split(r'([هـم])', cleaned)[:2]
    # 调整日期顺序：如果第一个数字是4位（年份），转为日/月/年
    nums = date_part.split('/')
    if len(nums[0]) == 4:
        standardized = f"{nums[2]}/{nums[1]}/{nums[0]}"
    else:
        standardized = date_part
    return f"{standardized} {suffix}"

# 应用标准化到各日期列
df[['Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End']] = df[['Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End']].applymap(standardize_date)

# 输出标准化后的结果
print(df[['Occasion', 'Hijri_Start', 'Hijri_End', 'Gregorian_Start', 'Gregorian_End']])

输出示例 #

标准化后的输出结果如下：

内容的提问来源于stack exchange，提问作者Westy