如何从DataFrame的字符串列中提取指定格式的日期

你之前用str.replace('\D+', '')会把所有非数字字符删掉——不仅会把带斜杠的日期变成无分隔符格式，还会把非日期的长数字（比如最后一行的11位数字）也保留下来，完全不符合提取日期的需求。可以用正则匹配+格式转换的方式精准解决：

步骤1：提取符合格式的日期字符串 #

用str.extract匹配两种目标日期格式（带斜杠的dd/mm/yyyy或无分隔符的ddmmyyyy），正则表达式可以精准覆盖这两种情况：

import pandas as pd

# 示例数据
data = {'description': ['A CAKE 01/02/1989', 'information 22031970', 'some text', 'values 12345678987']}
df = pd.DataFrame(data)

# 提取日期：只匹配dd/mm/yyyy或ddmmyyyy格式
df['extracted_date'] = df['description'].str.extract(r'(\d{2}/\d{2}/\d{4}|\d{8})')

这一步后，extracted_date列会得到：

（最后一行的11位数字不符合8位/10位带斜杠的日期格式，会被自动排除）

步骤2：统一日期格式 #

把无分隔符的ddmmyyyy转换成标准的dd/mm/yyyy格式：

# 自定义函数处理日期格式
def format_date(date_str):
    if pd.isna(date_str):
        return date_str
    # 对8位无分隔符日期插入斜杠
    if len(date_str) == 8:
        return f"{date_str[:2]}/{date_str[2:4]}/{date_str[4:]}"
    return date_str

df['formatted_date'] = df['extracted_date'].apply(format_date)

最终结果：

补充说明 #

• 正则表达式(\d{2}/\d{2}/\d{4}|\d{8})确保只匹配符合日期长度的字符串，避免提取非日期的数字串。
• 如果需要把NaN替换成空字符串或其他默认值，可添加：df['formatted_date'] = df['formatted_date'].fillna('')

内容的提问来源于stack exchange，提问作者Lok