如何使用Pandas从数据列中提取2000年及之后的日期（正则表达式实现需求）

没问题，我来帮你搞定这个问题～ 你的需求我仔细梳理了：要从DataFrame里提取2000年及以后的日期，规则是：

1. 优先从Result列提取，提取到就保留纯日期部分（自动去掉后面的时间）；
2. 如果Result列是空白/空字符串，就从Unit列提取日期；
3. 其他情况（Result列有非日期内容），即使Unit列有日期也留空。

不用怕正则，我会把每部分都讲得明明白白，代码直接就能用～

正则思路说明 #

我们需要匹配两种常见的目标日期格式，且年份必须是2000年及以后：

1. 数字分隔格式：DD/MM/YYYY（比如03/08/2024）
2. 带月份缩写的格式：DD/Mon/YYYY（比如03/Aug/2024，月份是3个字母的英文缩写）

专门针对需求写的正则模式是：

(\d{1,2}/(?:\d{1,2}|[A-Za-z]{3})/(?:20\d{2}|21\d{2}))

给你拆解下每个部分的作用：

• \d{1,2}/：匹配1-2位的日期数字，加上斜杠（比如03/）
• (?:\d{1,2}|[A-Za-z]{3})/：非捕获组，匹配1-2位的月份数字（比如08）或者3个字母的月份缩写（比如Aug），再加上斜杠
• (?:20\d{2}|21\d{2})：非捕获组，匹配2000-2199之间的年份，严格保证是2000年及以后的有效年份
• 整个外层的()是捕获组，专门提取我们需要的纯日期部分，后面的时间会被自动忽略，刚好符合你只留日期的需求

完整代码实现 #

import pandas as pd

# 你的原始数据集
date_extract_df = pd.DataFrame({
'Result':[': XYZ',': 39 YRS/M',': Self',': HOME COLLECTION',': 10593974',
           ': 012408030006',': 03/08/2024',': 03/Aug/2024 11:50 AM',': 03/Aug/2024 03:24 PM',
            ' ','31.80','15'],
 'Unit':['dfd','dfdfd','tytyt','03/08/2024','fgf','tyt','xcx','ere','sds','03/Aug/2024 03:24 PM',
        '4545','5656']
})

# 定义匹配2000+日期的正则模式
date_pattern = r'(\d{1,2}/(?:\d{1,2}|[A-Za-z]{3})/(?:20\d{2}|21\d{2}))'

# 1. 从Result列提取日期，提取不到的返回NaN
result_dates = date_extract_df['Result'].str.extract(date_pattern, expand=False)
# 2. 从Unit列提取日期，提取不到的返回NaN
unit_dates = date_extract_df['Unit'].str.extract(date_pattern, expand=False)

# 3. 按照需求合并结果：
#    - 只有当Result列是空白（或空字符串）时，才用Unit列的日期填充
#    - 其他情况保持Result列的提取结果（空的就留空）
mask = date_extract_df['Result'].str.strip() == ''
extracted_dates = result_dates.where(~mask, unit_dates)
# 把NaN替换为空白字符串，和你的预期格式完全匹配
extracted_dates = extracted_dates.fillna('').reset_index(drop=True)

# 输出最终结果
print(extracted_dates.to_string(index=True))

运行结果 #

0 
1 
2 
3 
4 
5 
6 03/08/2024
7 03/Aug/2024
8 03/Aug/2024
9 03/Aug/2024
10 
11 

完全和你想要的预期结果一致啦！

如果之后遇到其他日期格式（比如YYYY/MM/DD），只需要稍微调整正则模式就行，你可以随时问我～

备注：内容来源于stack exchange，提问作者ViSa