我正在帮助一个狗救援小组分析他们收到的收养申请。所有的申请都通过一个在线系统提交,每个申请都有一个自动生成的表格 ID。然后将申请分配给不同的志愿者进行处理。
大多数信息都很简单,我可以使用 Pandas 轻松处理。部分分析是关于每个申请的处理时间。这意味着从申请创建之日起(表格状态为“已提交”)到狗被采用(表格状态为“已采用”)。当我导出表单数据时,状态更改和一般评论混合在一个名为“评论(内联)”的标题下。
以下是一个应用程序的状态更改/评论的缩略示例。
文本遵循一些基本模式。
一般评论:CURRENT_PERSON(名字)写于 DATE:文本
志愿者的变化:CURRENT_PERSON(名字)写于 DATE:分配表格给 NEW_PERSON(first last)
表单状态更改:CURRENT_PERSON(名字)写于 DATE:已将状态从 CURRENT_STATUS 更改为 NEW_STATUS
我是 python 的新手(~3mos)。想到的第一件事是使用python和正则表达式来解析文本,提取数据,并将它们分成两组(一组用于一般评论,一组用于状态更改)。这将需要一些时间,因为我仍在学习,但这似乎是可行的。最终结果将是这样的。
可以多次分配相同的状态,因此我需要给它们一个编号。然后我可以将处理时间计算为 Adapted-01 和 Submitted-01 之间的天数。
但是,从我到目前为止所了解的情况来看,使用这种类型的迭代(for 循环)似乎很慢,不推荐使用。到目前为止,我有大约 1500 份表格,而且数量只会增加。
我应该继续使用python和re吗?或者有没有更好的方法来获得我所描述的?我坚信有一种更好的方法,我只是还不够了解。
非常感谢您的建议。
此处为 CSV 文件中的示例数据,此处为 XML 文件中的示例数据
你会在里面找到四个名字:Jenny White、Rose Burk、Kerry James、Henry Woods。
我意识到文本 CSV 文件并不像我想象的那么干净。评论或状态更改之间没有空格。即使有模式,也并不总是一致的(只有名字与全名)。我更新了模式。导出为 CSV 后,您将看到以下内容
Henry 于 2020 年 9 月 22 日写道:将表格分配给 Rose Burk Rose 于 2020 年 9 月 22 日写道:发送介绍电子邮件。
变成了
Henry 于 2020 年 9 月 22 日写道:将表格分配给 Rose BurkRose 于 2020 年 9 月 22 日写道:发送介绍电子邮件。
现在我还需要更多地考虑清理数据。谢谢参观。
所以我想出了如何使用正则表达式来处理基于模式的评论。
下面这个可以获取所有不同的日期和所有状态,因为它们都有“更改状态自”部分,我可以将单个组与旧状态还是新状态进行匹配。
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]+)?)"
如果我只关注已采用,这个可以抓住我需要的日期。
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 循环。在关注采用日期的特定情况下,我可以使用以下内容将采用日期添加到 Jupyter 笔记本中的数据框中。
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)')
这也意味着我可以只使用原始 CSV 文件。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句