Pandas DataFrame非固定格式日期的正则提取问题求助

我有一个带Campaign列的Pandas DataFrame，该列值为「活动名称（开始日期 - 结束日期）」格式，需要提取日期生成start_date、end_date、days_between_start_and_end_date三个新列。现有代码仅能处理部分格式，对多种非固定格式的日期提取会返回NaN值。

示例数据 #

• Sales is on (30.12.21-12.01.2022)
• Sn 2 Fol CAMPAIGN A (24.03-30.03.2023)
• M SALE (19.04 - 04.05.2022)
• NEW SALE (29.12.2022-11.01.2023)
• Year End (18.12. - 12.01.2023)
• XMAS 1 - THE TRIBE CELEBRATES XMAS (18.11.-08.12.2021) (gifting communities)
• Year End (18.12. - 12.01.2023)

现有代码问题 #

原代码的正则表达式仅匹配(\d+\.\d+)\.\s*-\s*(\d+\.\d+\.\d+)格式，无法兼容：

• 日期间的空格（如19.04 - 04.05.2022）
• 起始日期末尾的点号（如18.12. - 12.01.2023）
• 起始日期的两位年份（如30.12.21）
• 起始日期带完整四位年份的情况（如29.12.2022）

导致大量日期提取失败，返回NaN。

解决方案代码 #

import pandas as pd
import re

# 读取数据（实际使用时替换为你的文件路径）
df = pd.read_csv("report.csv")

# 提取括号内的日期区间字符串
df['date_range'] = df['Campaign'].str.extract(r'\((.*?)\)')[0]

# 分割起始和结束日期，兼容中间的空格
df[['start_raw', 'end_raw']] = df['date_range'].str.split(r'\s*-\s*', expand=True)

# 清洗日期字符串：去除末尾多余的点号
def clean_date(s):
    return s.rstrip('.') if not pd.isna(s) else s
df['start_raw'] = df['start_raw'].apply(clean_date)
df['end_raw'] = df['end_raw'].apply(clean_date)

# 转换结束日期（通常带完整年份）
df['end_date'] = pd.to_datetime(df['end_raw'], format='%d.%m.%Y', errors='coerce')

# 处理起始日期：补全年份，处理跨年情况
def parse_start(start_str, end_dt):
    if pd.isna(start_str) or pd.isna(end_dt):
        return pd.NaT
    parts = start_str.split('.')
    day, month = parts[0], parts[1]
    # 起始日期带年份的情况
    if len(parts) == 3:
        year = parts[2]
        # 处理两位年份（如21→2021）
        if len(year) == 2:
            year = f'20{year}'
        return pd.to_datetime(f'{day}.{month}.{year}', format='%d.%m.%Y')
    # 起始日期无年份，用结束日期年份，跨年则减1
    end_year = end_dt.year
    if int(month) > end_dt.month:
        start_year = end_year - 1
    else:
        start_year = end_year
    return pd.to_datetime(f'{day}.{month}.{start_year}', format='%d.%m.%Y')

df['start_date'] = df.apply(lambda row: parse_start(row['start_raw'], row['end_date']), axis=1)

# 计算日期间隔天数
df['days_between_start_and_end_date'] = (df['end_date'] - df['start_date']).dt.days

# 输出结果
print(df[['start_date', 'end_date', 'days_between_start_and_end_date']])

输出结果 #

start_date   end_date  days_between_start_and_end_date
0 2021-12-30 2022-01-12                                13
1 2023-03-24 2023-03-30                                 6
2 2022-04-19 2022-05-04                                15
3 2022-12-29 2023-01-11                                13
4 2022-12-18 2023-01-12                                25
5 2021-11-18 2021-12-08                                20
6 2022-12-18 2023-01-12                                25

关键改进 #

1. 灵活的正则匹配：先提取括号内的所有内容，再分割日期，兼容空格、末尾点号等多种格式
2. 日期清洗逻辑：自动去除日期字符串末尾多余的点号，统一格式
3. 智能年份补全：处理两位年份、无年份的情况，自动判断跨年并调整年份
4. 高效处理：用apply替代iterrows循环，提升运行效率
5. 错误处理：用errors='coerce'处理无效日期，返回NaT避免程序崩溃

内容的提问来源于stack exchange，提问作者sdave