如何用pandas正则提取文本中所有%yyyy格式年份 解决匹配不全问题

原代码无法匹配所有目标年份，核心问题有3点：

• 正则中加了^锚点，强制从字符串起始位置开始匹配，只能识别文本开头附近的年份，无法匹配出现在文本中间的年份
• 前缀匹配组加了?限定，最多只能匹配1个非数字前缀字符，遇到括号、多空格、字母前缀（比如c1995里的c）就会匹配失败
• 没有做数字边界校验，既可能漏匹配，也可能把长串数字里的四位片段误识别成年份

匹配逻辑调整为：识别1900-2099区间（可根据业务需求调整范围）的四位连续数字，要求数字前后不能紧跟其他数字，自动兼容所有非数字类前后缀（包括你提到的c、~、;、括号、点、横杠、冒号、换行符等特殊字符）。
因为你只需要提取四位年份，不需要日月字段，可以直接移除空的day、month捕获组简化逻辑，修正后代码如下：

import pandas as pd

# 测试文本，包含你提到的各类特殊前后缀场景
text_list = [ "y1983 Clinic Hospital", ".2010 - wife; nightmares", " shx of TBI (1975)",
         "TSH okay in 2015", "Esophageal cancer, dx: 2013", "8mo in 2009\n", "2008 partial thyroidecto",
         "c1995 record", "~2001 data", "2014; case"]
s = pd.Series(text_list)

# 正则说明：
# (?<!\d) 负向后瞻，保证四位数字前侧不是数字
# (?:19|20)\d{2} 匹配1900-2099区间的四位年份，可根据业务调整前缀扩展年份范围
# (?!\d) 负向前瞻，保证四位数字后侧不是数字
result = s.str.extract(r'(?P<year>(?<!\d)(?:19|20)\d{2}(?!\d))')
print(result)

运行后输出结果如下，所有测试样例的年份都能被正确提取：

year
0  1983
1  2010
2  1975
3  2015
4  2013
5  2009
6  2008
7  1995
8  2001
9  2014

• 如果业务场景中存在四位非年份数字（比如编码、ID号）和年份混淆的情况，可以在正则中补充上下文关键词规则进一步过滤
• 如果需要覆盖更早/更晚的年份，修改(?:19|20)部分即可，比如要覆盖1800-2099的年份，将该段替换为(?:18|19|20)

内容的提问来源于stack exchange，提问作者paschal