如何在Pandas DataFrame列中提取字符串日期并处理特殊场景？

自定义日期提取函数 #

要同时处理多日期提取和无日期的异常，你需要编写一个自定义函数，替代直接在apply中使用lambda：

from dateutil.parser import parse, ParserError
import pandas as pd

def extract_all_dates(text, sep=', '):
    dates = []
    remaining_text = str(text).strip()
    
    while remaining_text:
        try:
            # 解析日期并获取剩余未解析的文本片段
            date_obj, tokens = parse(remaining_text, fuzzy_with_tokens=True)
            dates.append(str(date_obj))  # 若需仅保留日期部分，改用str(date_obj.date())
            # 更新剩余文本，继续查找下一个日期
            remaining_text = ''.join(tokens).strip()
        except ParserError:
            # 无更多可解析日期，终止循环
            break
    
    # 有日期则用分隔符连接，无日期则返回空值
    return sep.join(dates) if dates else pd.NA

应用到DataFrame #

将函数直接应用到目标列即可：

df['Dates'] = df['Column to extract'].apply(extract_all_dates)

关键说明 #

• 多日期处理：通过循环解析剩余文本，每次提取一个日期后，继续在剩下的内容中查找，直到无法解析为止，最后用指定分隔符（默认, ）连接所有日期。
• 异常处理：捕获ParserError，当字符串中无日期时返回pd.NA（可根据需求改为空字符串""），避免整个apply过程报错中断。
• 原代码问题：你之前的代码直接返回了parse的元组结果（包含日期对象和剩余文本），且未处理多日期与异常，因此无法得到预期的日期字符串。

示例效果 #

假设你的DataFrame内容如下：

data = {
    'Column to extract': [
        'January 24, 1976 and March 15, 2020',
        'No date in this string',
        'Deadlines: 2023-10-05 and 11/20/2023'
    ]
}
df = pd.DataFrame(data)

运行代码后，df['Dates']的结果为：

内容的提问来源于stack exchange，提问作者Krishna