1. 准备示例数据
首先，我们创建一个示例dataframe来模拟实际数据情况：
import pandas as pd
data = {
'id': [1, 2, 3],
'date': ['21 July 2023 (abcd)', '22 July 2023 00:00:01', '23 July 2023 -abcda']
}
df = pd.DataFrame(data)
print("原始DataFrame:")
print(df)输出：
原始DataFrame: id date 0 1 21 July 2023 (abcd) 1 2 22 July 2023 00:00:01 2 3 23 July 2023 -abcda
我们的目标是将date列转换为21 July 2023、22 July 2023、23 July 2023这样的标准化格式。
2. 方法一：使用 str.replace 结合正则表达式进行替换
此方法通过查找并替换年份后的所有字符来清理字符串。关键在于使用正则表达式的正向后瞻（Positive Lookbehind）特性，它允许我们匹配某个模式之后的内容，而不将该模式本身包含在匹配结果中。
# 方法一：使用 str.replace 结合正向后瞻
df['date'] = df['date'].str.replace(r'(?<=\b\d{4}\b).*', '', regex=True)
print("\n方法一结果 (str.replace):")
print(df)输出：
方法一结果 (str.replace): id date 0 1 21 July 2023 1 2 22 July 2023 2 3 23 July 2023
*正则表达式解析 `r'(?'`：**
- \b: 单词边界，确保\d{4}匹配的是一个独立的四位数，而不是其他数字序列的一部分。
- \d{4}: 匹配任意四个数字，代表年份。
- (?
- .*: 匹配零个或多个任意字符（除了换行符）。这会匹配年份之后的所有内容。
- regex=True: 必须设置为True以启用正则表达式匹配。
注意事项：
- 此方法适用于删除任何四位数字年份之后的所有内容。
- 如果需要针对特定的年份（例如，只删除“2023”之后的内容），可以将\d{4}替换为具体年份，如r'(?
3. 方法二：使用 str.extract 结合正则表达式进行提取
与替换不同，str.extract方法通过定义一个捕获组来直接提取符合特定模式的字符串部分。当日期字符串的格式相对固定，且我们明确知道要提取的模式时，此方法非常有效。
为了演示此方法，我们先重置DataFrame到原始状态。
# 重置DataFrame到原始状态
df = pd.DataFrame(data)
# 方法二：使用 str.extract 结合捕获组
df['date'] = df['date'].str.extract(r'(\d+ [a-zA-Z]+ \d{4})', expand=False)
print("\n方法二结果 (str.extract):")
print(df)输出：
方法二结果 (str.extract): id date 0 1 21 July 2023 1 2 22 July 2023 2 3 23 July 2023
正则表达式解析 r'(\d+ [a-zA-Z]+ \d{4})'：
- \d+: 匹配一个或多个数字，代表日期中的“日”。
- [a-zA-Z]+: 匹配一个或多个字母，代表日期中的“月”（如July）。
- \d{4}: 匹配四个数字，代表日期中的“年”。
- (): 括号创建了一个捕获组。str.extract会提取这个捕获组匹配到的内容。
- expand=False: 确保返回一个Series而不是DataFrame。
适用场景：
- 当日期字符串的结构（日 月 年）相对固定，且您希望精确提取这部分内容时，str.extract是理想选择。
- 如果原始字符串不完全符合提取模式，str.extract会返回NaN。
4. 其他考虑：str.split 的局限性与改进
用户最初尝试使用df['date'].str.rsplit('2023', 1).str.get(0)，这种方法的问题在于它会移除分隔符2023，导致年份丢失。虽然可以通过后续拼接来弥补，但这增加了操作的复杂性。
一种结合str.split和正向后瞻的变体可以实现类似效果，但通常不如前两种方法高效或通用：
# 重置DataFrame到原始状态
df = pd.DataFrame(data)
# 方法三：使用 str.split 结合正向后瞻 (仅供参考，效率略低)
df['date'] = df['date'].str.split(r'(?<=2023)', regex=True).str.get(0)
print("\n方法三结果 (str.split with lookbehind):")
print(df)输出：
方法三结果 (str.split with lookbehind): id date 0 1 21 July 2023 1 2 22 July 2023 3 3 23 July 2023
此方法同样利用了正向后瞻(?仅限于处理特定年份（如2023），且通常需要两次str操作（str.split后跟str.get），效率可能略低于单一的str.replace或str.extract。
5. 总结与选择建议
在Pandas中清理日期字符串并保留年份，正则表达式是不可或缺的工具。
- *`str.replace(r'(?', '', regex=True)`：适用于当您需要移除年份之后的所有内容**，且年份本身是可变的四位数字时。它通过替换实现清理，通常更为通用。
- str.extract(r'(\d+ [a-zA-Z]+ \d{4})', expand=False)：适用于当您需要精确提取符合特定日期格式（日 月 年）的字符串时。它通过捕获并提取目标模式实现清理，当原始字符串结构稳定时表现优异。
根据您的具体需求和日期字符串的复杂程度，选择最合适的正则表达式和Pandas方法，可以大大提高数据清洗的效率和准确性。
