如何用正则表达式格式化DataFrame日期列及缺失日期处理

一、用正则表达式提取目标日期 #

完全可以用正则搞定你的需求。观察你给出的所有日期格式，核心都是「1-2位数字 + 英文月份 + 4位年份」的结构，不管前后有没有城市名称、更新备注这类冗余内容，直接匹配这个核心模式就行。

实现代码 #

import pandas as pd

# 模拟你的DataFrame
data = {
    'dates': [
        '5 July 2023',
        'Brussels, 18 September 1998',
        'Frankfurt/Brussels, 18 September 1998',
        'Frankfurt,Brussels, 18 September 1998',
        '11 April 2019[updated on 11 April 2019 at 11:15 CET ]'
    ]
}
df = pd.DataFrame(data)

# 用正则提取核心日期
df['dates'] = df['dates'].str.extract(r'(\d{1,2} \w+ \d{4})')

print(df)

正则说明 #

• \d{1,2}：匹配1位或2位的日期数字（比如5、18）
• \w+：匹配英文月份单词（比如July、September）
• \d{4}：匹配4位年份数字（比如2023、1998）
• 括号()：把匹配到的核心日期作为捕获组提取出来，自动忽略前后的冗余内容

执行后你的DataFrame会输出：

dates
0      5 July 2023
1  18 September 1998
2  18 September 1998
3  18 September 1998
4    11 April 2019

二、缺失日期的处理建议 #

两种方案各有适用场景，根据你的业务需求选择：

• 删除整行：如果缺失日期的记录对你的分析没有价值，直接删掉最省心：

  df = df.dropna(subset=['dates'])
  

• 填充指定日期：如果需要保留这些行，就用你指定的默认日期填充（比如用01 January 1900作为占位）：

  df['dates'] = df['dates'].fillna('01 January 1900')
  

内容的提问来源于stack exchange，提问作者Nick