在熊猫中，我如何使用正则表达式将人类可读的时间格式分解为不同的单位，如天，小时，分钟和秒？

Question

在dataframe上，我有一列人类可读格式的持续时间，如“29天4小时32分钟1秒”。我想将它们分解为天、小时、分钟和秒列，这些列的值来自持续时间列。比如29天，4小时，32分钟，1秒。我已经使用过这个，但它不能正常工作：

# Use regex to extract time values into their respective columns
new_df = df['duration'].str.extract(r'(?P<days>\d+(?= day))|(?P<hours>\d+(?= hour))|(?P<minutes>\d+(?= min))|(?P<seconds>\d+(?= sec))')

例如，

import pandas as pd
import re

list = {'id': ['123','124','125','126','127'],
        'date': ['1/1/2018', '1/2/2018', '1/3/2018', '1/4/2018','1/5/2018'],
        'duration': ['29 days 4 hours 32 minutes',
                     '1 hour 23 minutes',
                     '3 hours 2 minutes 1 second',
                     '4 hours 46 minutes 22 seconds',
                     '2 hours 1 minute']}

df = pd.DataFrame(list)

# Use regex to extract time values into their respective columns
new_df = df['duration'].str.extract(r'(?P<days>\d+(?= day))|(?P<hours>\d+(?= hour))|(?P<minutes>\d+(?= min))|(?P<seconds>\d+(?= sec))')

以下数据帧中的结果：

新的dataframe只包含第一个值，而不包含其余的值。它捕获了29天的值，以及1、3、4、2分钟的值，但随后的列值是NAN。

理想情况下，数据帧应如下所示：

我感觉我的正则表达式有问题。我不应该使用“|”来分隔组吗？任何正确方向的帮助或推动都是值得感激的。

Answer 1

这是我使用提取而不是提取的方法：

# same pattern as yours
# can replace this with a for loop
pattern = ( '(?P<days>\d+)(?= days?\s*)|'        # days
          + '(?P<hours>\d+)(?= hours?\s*)|'      # hours
          + '(?P<minutes>\d+)(?= minutes?\s*)|'  # minutes
          + '(?P<seconds>\d+)(?= seconds?\s*)'   # seconds
          )

(df.duration.str.extractall(pattern)   # extract all with regex
  .reset_index('match',drop=True)      # merge the matches of the same row
  .stack()
  .unstack(level=-1, fill_value=0)     # remove fill_value if you want NaN instead of 0
)

输出:

  days hours minutes seconds
0   29     4      32       0
1    0    12      23       0
2    0     3       2       1
3    0     4      46      22
4    0     2       1       0

Answer 2

您的字符串格式与 pd 匹配。时间详图字符串规范。只需将其直接转换为Timedelta并调用其属性组件即可

df_final = (df.duration.map(pd.Timedelta)
              .dt.components[['days','hours','minutes','seconds']])

或者

df_final = (pd.to_timedelta(df.duration)
              .dt.components[['days','hours','minutes','seconds']])

Out[258]:
   days  hours  minutes  seconds
0    29      4       32        0
1     0      1       23        0
2     0      3        2        1
3     0      4       46       22
4     0      2        1        0