从日期/时间的字符串信息中提取

Question

我有一些文本通常以以下内容开头：“12 minutes ago - There was a meeting...”“2 hours ago - Apologies for being...”“1 day ago - It is a sunny day in London...”等等。基本上我有以下信息：Minutes HoursDay (starting from today)我想将此类信息转换为有价值的时间序列信息，以便提取这部分并从中创建一个新列（日期时间）。在我的数据集中，我有一列（日期），其中我已经有执行研究的日期（例如，今天），格式为：26/05/2020 和提交搜索的时间（例如上午 8:41 ). 因此，如果文本以“12 分钟前”开头，我应该：26/05/2020 - 8:29 (datetime format in Python)对于其他人：26/05/2020 - 6:4125/05/2020 - 8:41重要的是要有一些东西（字符串、数字、日期格式），我可以将其绘制为时间序列（我想看看在时间间隔方面发布了多少文本）。关于如何做到这一点的任何想法？

Answer 1

如果格式保持简单：<digits> <unit> ago ...用"^(\d+) (\w+) ago".

然后，一旦你('minutes', '12')将这些传递给timedelta它接受每个单元作为关键字参数timedelta(minutes=12)，你将通过传递一个映射来做到这一点**{unit:value}

def parse(content):

    timeparts = re.search(r"^(\d+) (\w+) ago", content)

    if not timeparts:

        return None, content

    unit = timeparts.group(2).rstrip('s') + 's' # ensure ends with 's'

    #return datetime.now()-timedelta(**{unit:int(timeparts.group(1))})           # Now date

    return datetime(2020,5,26,8,0,0)-timedelta(**{unit:int(timeparts.group(1))}) # Fixed date

演示

values = ["12 minutes ago - There was a meeting...","2 hours ago - Apologies for being...","1 day ago - It is a sunny day in London..."]

for value in values:

  res = parse(value)

  print(res)

2020-05-26 07:48:00

2020-05-26 06:00:00

2020-05-25 08:00:00

Answer 2

您应该为此使用自然语言处理库，例如spaCY或 NLTK

这是tokenization来自上面链接的示例，显示了 spacY 如何分解句子：