Pandas DataFrame字符串类型字段中日期识别失败问题咨询

失败原因 #

• 正则规则存在书写错误：
  1. 你修改后适配逗号的正则漏写了匹配数字的转义符\：第二个位置的d应为\d，年份位置漏写\d，即使要匹配逗号分隔的格式，正确写法也应该是r'\d{1,2}, \d{1,2}, \d{2,4}'，且该规则本身也不符合你的真实数据场景
  2. 你对数据格式判断有误：之前返回的[7, 23, 2019]是findall方法返回的多匹配结果列表结构，不是单元格原始字符串内真的用逗号分隔日期段。从你补充的CSV原始格式来看，日期的分隔符是正斜杠/，既不是反斜杠也不是逗号。
• 第一版代码的正则匹配的是反斜杠分隔的日期，和原始数据的正斜杠格式不匹配，因此返回空结果。

正确实现方案 #

你不需要手动写正则提取，pandas内置的日期转换方法可以直接识别这种月/日/年格式的日期：

# 遍历所有object类型列，尝试转换为日期格式
for col in df.select_dtypes(include=['object']).columns:
    # errors='coerce'表示无法转换为日期的字段会返回空值NaT，方便筛选真正的日期列
    df[col] = pd.to_datetime(df[col], format='%m/%d/%Y', errors='coerce')
    # 不需要强制指定格式可去掉format参数，让pandas自动推断
    # df[col] = pd.to_datetime(df[col], errors='coerce')

如果你一定要用正则提取日期字符串，可以使用下面的规则：

for col in df.select_dtypes(include=['object']).columns:
    print(df[col].str.findall(r'\d{1,2}/\d{1,2}/\d{2,4}'))

内容的提问来源于stack exchange，提问作者user16537374