Pandas如何正确提取无固定格式列中的年份数据

现有大型Pandas DataFrame，其中col列混合存储日期与地点信息，无统一格式，需要从该列提取年份存入新列yearcorrect。目前已发现该列存在三类格式样例：

col
February 28, 2020 (United States)
April 1990 (United States)
1981 (United States)

期望输出效果：

col                                         yearcorrect
February 28, 2020 (United States)           2020
April 1990 (United States)                  1990
1981 (United States)                        1981

之前尝试的实现代码：

df['yearcorrect'] = df['col'].astype(str).str.split(', ').str[-1].astype(str).str[:4]

该代码仅能正确处理第一类、第三类格式，处理第二类April 1990 (United States)时会错误返回"Apri"，无法适配所有格式。

直接用正则表达式提取字符串中的4位年份即可，不需要依赖固定分隔符拆分，适配所有已知格式，代码如下：

df['yearcorrect'] = df['col'].astype(str).str.extract(r'(\d{4})')

方案说明 #

• 正则规则(\d{4})会匹配字符串中第一组连续4位数字，三类样例的匹配结果完全符合预期：
  • 匹配February 28, 2020 (United States)得到2020
  • 匹配April 1990 (United States)得到1990
  • 匹配1981 (United States)得到1981
• 该方案不依赖固定的字段分隔符、字段位置，对格式混乱的文本适配性更强。如果后续数据中存在其他非年份的4位数字干扰，可以收紧正则规则，限定年份范围为1900-2099，将正则替换为r'((?:19|20)\d{2})'即可避免误提取。

内容的提问来源于stack exchange，提问作者srtklein