如何从Python中用regex提取的日期中删除垃圾值

Question

目标：从医疗记录中提取日期（存储在熊猫系列中，日期的格式多种多样）

对于我使用的数字日期：

str.extractall(r'((?:\b\d{1,2}[/]){1,2}(?:(?:\d{2}\b)|\b\d{4}\b))')

问题：

输入文本1：

"(5/11/85) Crt-1.96, BUN-26; AST/ALT-16/22; Independent

输出1：5/11/85（如所愿），但也：16/22

输入文本2：

[text...] (7/11/77) CBC: 4.9/36/308 Pertinent [...]:

输出2：7/11/77（如所愿），但也9/36

尤其是第二种情况很难，因为将其转换为日期返回：2036年9月，因此，不能这样选择。你知道吗

[^-]更糟。你知道吗

文本中到处都是日期，比如：

[...] has also taken diet pills (last episode in Feb 1993) but [...]

1993年2月等不是问题。你知道吗

Answer 1

您应该指定“所有格式”的含义。在您的示例中，只显示1种格式。“2016年1月2日”“2016年2月1日”“2016年1月2日”能否全部到场？欧洲和美国的时间格式？等？你知道吗

在您的示例中，日期似乎总是在行的开头，并且被圆括号括起来，但是这使得它有点简单。你知道吗

^（（\d+/\d+）。^（（\d+/\d+/d+）。

Answer 2

使用正则表达式的主要规则是：了解数据。你必须尽可能准确地编写正则表达式。你知道吗

然后我建议您将这些原始的日期解析成实际的、成熟的日期对象。它有两个主要目标：第一，过滤掉负regex匹配；第二，现在可以使用date对象的方法来处理日期，而不仅仅是比较文本字符串。例如，您可以访问日期的日、月或年，将其与所需值进行比较，并根据这种比较筛选出日期。你知道吗

对于解析日期，我建议您使用一个复杂的日期解析库，例如dateutil或dateparser，它免费为您处理许多棘手的细节。你知道吗