删除所有与 Python 中的正则表达式模式不匹配的内容

Question

我有一个正则表达式模式，用于标识一整列日期中的日期，但有些日期包含在一个字符串中，而有些则只是简单的日期本身。我的正则表达式模式完美地找到了每个日期，但现在我想能够说“删除不符合日期模式的所有内容”，这将删除某些日期之前或之后的文本。我想要的东西的例子：Mexico [12/20/1985] 如果我可以删除与模式不匹配的内容，那么括号和墨西哥就会消失假设我的正则表达式模式是（我还有两个匹配更具体的日期格式，但不包括它们，因为这无关紧要：pattern = (r"(19|20)\d\d")我正在使用has_date = data.str.contains(pattern)，它可以完美地找到我要找的东西。但是，现在我已经确定了具有我想要的日期的观察结果，我需要去除/删除/替换所有不是那种模式的东西。我制作了一个文件，其中包含与正则表达式模式不匹配的内容以及匹配的内容，并检查以确保我的正则表达式模式包含所有内容，因此我在这方面做得很好。有人对如何替换不是我的模式有任何建议吗？欢迎任何想法。谢谢

Answer 1

要解决您的确切问题，即替换与模式不匹配的所有内容，您可以使用

df['Data'] = df['Data'].str.replace(r"(?s)((?:19|20)\d\d)?.", r"\1")

请参阅正则表达式演示。

在这里，(?s)将.匹配任何字符，((?:19|20)\d\d)?是一个可选的捕获组#1，它匹配19或匹配20任何 2 位数字 1 或 0 次，然后匹配任何带有.模式的字符。如果第 1 组匹配，由于\1反向引用，它将被放回结果中。

但是，您似乎只想从数据中提取年份，如果没有，只需获取一个空字符串，因此请使用

df['Data'] = df['Data'].str.extract(r'\b((?:19|20)\d{2})\b', expand=False).fillna('')

在\b((?:19|20)\d{2})\b将匹配19或20然后任何两个数字作为一个整体字（由于\b字边界）。