这两天,有个小伙伴问我这么一个问题,就是说他公司给了他一个table, 大概是140万行,其中有一列既有数字也有其它字符。例如2021年02月01日
,想从里面仅仅把数字提取出来保存成日期格式,比如说2021-02-01
,虽然最近忙得飞起,但是看在当年一起读初中的峥嵘岁月,我大概花了5分钟写了一个demo,给他提供了三种解法。
第一步,构造一个fake datasets, 模拟他的需求。
import pandas as pd
import numpy as np
demo = pd.read_excel("/home/xuzhongtian/Documents/ChenZhenwei_demo.xlsx", header=0)
demo
模拟数据如下:
City Date
0 福州 2021年03月01日
1 厦门 2021年03月02日
2 深圳 2021年03月03日
3 武汉 2021年03月04日
4 上海 2021年03月05日
5 青岛 2021年03月06日
6 烟台 2021年03月07日
7 荆州 2021年03月08日
即从Date这一列中,将日期提取出来,保存为2021-03-01这种类型。
解决问题的时候,思维不能太固化。我们既可以通过将数字“提取出来”,也可以选择将除了数字之外的其它字符“抠除”。
略加思忖,给小伙伴提供了三种解法。
方法1:
#方法1:
pattern = "|".join(["年","月","日"])
demo.Date = demo.Date.str.replace(pattern, "-")
demo.Date.str.rstrip("-")
方法1结果:
![](https://img.haomeiwen.com/i441912/af9b987f904e6cd4.png)
方法2:
#方法2
demo.Date.str.strip().replace(dict(zip(["年","月","日"],["-","-",""])), regex=True)
方法2结果:
![](https://img.haomeiwen.com/i441912/e1086a3326f9843c.png)
方法3:
temp = demo.Date.str.extract('(\d+).*?(\d+).*?(\d+)')
temp
temp[0]+"-"+temp[1]+"-"+temp[2]
方法3结果:
![](https://img.haomeiwen.com/i441912/b1f863e841d416a1.png)
方法很多,肯定也不止这几种,但是我们做数据分析,是以解决问题为导向,是在速度和效率之间,寻找一个balance, 毕竟我们知道茴香豆的茴的一种写法,就足够了。
Done!
网友评论