我正在幫助一個狗救援組織分析他們收到的收養申請。所有申請均通過在線系統提交，每個申請都會獲得一個自動生成的表格 ID。然后，這些申請將被分配給不同的志愿者來處理。大多數信息都很簡單，我可以使用 pandas 輕松處理。分析的一部分是關于每個應用程序的處理時間。這意味著從申請創建之日（表格狀態為“已提交”）到狗被收養（表格狀態為“已收養”）。當我導出表單數據時，狀態更改和一般注釋混合在一個名為“注釋（內聯）”的標題下。以下是一個應用程序的狀態更改/評論的簡短示例。文本遵循一些基本模式。一般評論：CURRENT_PERSON（名字）寫于日期：文本志愿者變更：CURRENT_PERSON（名字）于 DATE 寫入：已將表格分配給 NEW_PERSON（名字）表單狀態更改：CURRENT_PERSON（名字）于日期寫入：狀態已從 CURRENT_STATUS 更改為 NEW_STATUS我是 python 新手（~3mos）。我想到的第一件事是使用 python 和正則表達式來解析文本，提取數據，并將它們分為兩組（一組用于一般注釋，一組用于狀態更改）。這需要一些時間，因為我仍在學習，但似乎是可行的。最終的結果將會是這樣的。相同的狀態可以被分配多次，所以我需要給他們一個號碼。然后我可以將處理時間計算為 Adopted-01 和 Submitted-01 之間的天數。然而，從我到目前為止所了解到的情況來看，使用這種類型的迭代（for 循環）似乎很慢并且不推薦。到目前為止，我大約有 1500 份表格，而且這個數字只會增加。我應該繼續使用 python 和 re 嗎？還是有更好的方法來獲得我所描述的內容？我堅信有一種更好的方法，只是我還不夠了解。非常感謝您的建議。更新示例數據位于 CSV 文件中，此處位于 XML 文件中你會在那里找到四個名字：Jenny White、Rose Burk、Kerry James、Henry Woods。我意識到文本 CSV 文件并不像我想象的那么干凈。評論或狀態更改之間沒有空格。盡管存在模式，但并不總是一致（僅名字與全名）。我更新了模式。導出為 CSV 后，您將看到以下內容Henry 于 2020 年 9 月 22 日寫道：已將表格分配給 Rose Burk Rose 于 2020 年 9 月 22 日寫道：已發送介紹電子郵件。成為Henry 于 2020 年 9 月 22 日寫道：已將表格分配給 Rose BurkRose 于 2020 年 9 月 22 日寫道：已發送介紹電子郵件。現在我還需要更多地清理數據。謝謝參觀。
1 回答
互換的青春
TA貢獻1797條經驗 獲得超6個贊
所以我想出了如何使用正則表達式來根據模式處理注釋。
下面的這個可以獲取所有不同的日期和所有狀態，因為它們都有“更改狀態”部分，并且我可以將各個組與舊狀態還是新狀態進行匹配。
regex = r"(\d{1,2}\/\d{1,2}\/\d{4})\:\sChanged\sStatus\sfrom\s([A-Z][a-z]+(\s[a-z]+)?(\s[A-Z][a-z]+)?)\sto\s([A-Z][a-z]+(\s[a-z]+)?(\s[A-Z][a-z]+)?)"如果我只關注“領養”，這個就可以獲取我需要的日期。
regex = r"(\d{1,2}\/\d{1,2}\/\d{4})\:\sChanged\sStatus\sfrom\s([A-Z][a-z]+(\s[a-z]+)?(\s[A-Z][a-z]+)?)\sto\sAdopted(?!\sElsewhere)另外，我不需要使用 for 循環。在關注采用日期的特定情況下，我可以使用以下命令將采用日期添加到 Jupyter 筆記本中的數據框中。
df['Adopted']=df['Comments (inline)'].str.extract(r'(\d{1,2}\/\d{1,2}\/\d{4})\:\sChanged\sStatus\sfrom\s[A-Z][a-z]+(\s[a-z]+)?(\s[A-Z][a-z]+)?\sto\sAdopted(?!\sElsewhere)')這也意味著我可以只使用原始 CSV 文件。
添加回答
舉報
0/150
提交
取消