年月表記のスマートな処理の仕方

Question

お世話になります。
教えてください。
フォーマットの異なる年月表記を統一したいと考えています。
下表のイメージです。

処理前	処理後
2018-04-10	2018年4月
2018-05-11	2018年5月
平成10年09月	1998年9月
昭和47年12月	1972年12月

そこで自分で書いたコードがこちらなのですが、我ながらなんとも冗長なコードになってしまい、
もっとスマートな書き方があればぜひご教示いただきたいです。よろしくお願いいたします。

import pandas as pd

df = pd.DataFrame({
    '基準日':["2018-04-10",
              "2018-05-11",
              "平成30年09月",
              "昭和47年12月",]
})

df["年号"] = df["基準日"].str[:2]
df["基準日"] = df["基準日"].str.replace("昭和", '@')
df["基準日"] = df["基準日"].str.replace("平成", '@')

df["和暦抽出用"] = df["基準日"].str.split("@", expand=True)[1]
df["和暦年"] = df["和暦抽出用"].str.split("年", expand=True)[0]
df["和暦年"].fillna(0, inplace=True)
df["和暦月"] = df["和暦抽出用"].str.split("年", expand=True)[1]
df["和暦月2"] = df["和暦月"].str.split("月", expand=True)[0]

df["西暦"] = df["和暦年"].astype(int)
df.loc[df["年号"]=="平成","西暦"] = df["西暦"] + 1988
df.loc[df["年号"]=="昭和","西暦"] = df["西暦"] + 1925
df.loc[df["年号"]=="令和","西暦"] = df["西暦"] + 2019
df["西暦年月"] = df["西暦"].map(str) + "-" + df["和暦月2"] + "-01"

df["西暦年月"] = pd.to_datetime(df["西暦年月"])
df["西暦年"] = df["西暦年月"].dt.year
df['西暦年'] = df['西暦年'].dropna().apply(int).apply(str)

df["西暦月"] = df["西暦年月"].dt.month
df['西暦月'] = df['西暦月'].dropna().apply(int).apply(str)

df.loc[df["基準日"].str.contains("-"),"西暦年"] = df["基準日"].str[:4]
df.loc[df["基準日"].str.contains("-"),"西暦月"] = df["基準日"].str[5:7]
df["西暦年月"] = df["西暦年"] +"年"+ df["西暦月"]+"月"

Comments

[Zuishin]

ほぼ同じことをしているんじゃないかと思います。
https://qiita.com/kirin123kirin/items/6a22a292a0c56c5ff9c0

[gogotowel]

ありがとうございました。

Answer 1

import pandas as pd

pd.set_option('display.unicode.east_asian_width', True)

df = pd.DataFrame({
    '基準日':["2018-04-10",
              "2018-05-11",
              "平成30年09月",
              "昭和47年12月",]
})

start = {'明治': 1867, '大正': 1911, '昭和': 1925, '平成': 1988, '令和': 2018}
df['西暦年月'] = (
  df['基準日'].str
    .extract(r'((\d{4})-(\d{2})|([^\d]+)(\d+)年(\d{2})月)')
    .fillna(0).astype({1: int, 2: int, 4: int, 5: int})
    .apply(
      lambda x:
        f'{x[1]}年{x[2]}月' if x[1] else f'{start[x[3]]+x[4]}年{x[5]}月', axis=1)
)

print(df)

#
         基準日    西暦年月
0    2018-04-10   2018年4月
1    2018-05-11   2018年5月
2  平成30年09月   2018年9月
3  昭和47年12月  1972年12月

Comments

[gogotowel]

ご回答ありがとうございました。
分かりやすさでcan110様をベストアンサーとさせていただきましたが、melian様のご回答も試してみたいと思います。大変ありがとうございました。

Answer 2

• 年月の抽出に正規表現を使う
• applyで一括処理する

以上で以下のように書けます。

import pandas as pd
import re

df = pd.DataFrame({
    '基準日':["2018-04-10",
              "2018-05-11",
              "平成30年09月",
              "昭和47年12月",]
})

def conv(s):
    # 年月を抽出
    rules = [(r'(\d+)-(\d+)', 0), (r'平成(\d+)年(\d+)月', 1988), (r'昭和(\d+)年(\d+)月', 1925)]
    y, m = None, None
    for exp, offset in rules:
        ret = re.search(exp, s)
        if ret:
            y = int(ret.group(1)) + offset
            m = int(ret.group(2))
            break

    s = ''
    if y and m:
        s = f'{y}年{m}月'
    return s

df['西暦年月'] = df['基準日'].apply(conv)
print(df)
#          基準日      西暦年月
#0  2018-04-10   2018年4月
#1  2018-05-11   2018年5月
#2    平成30年09月   2018年9月
#3    昭和47年12月  1972年12月

Comments

[gogotowel]

ご回答ありがとうございました。
いただいた回答をいろいろ試して返答が遅くなりました。

applyの処理について教えてください。
conv()がapplyで実行される際、引数sはどのように与えられるのでしょうか。
というのも、手持ちのデータで試すと次のエラーが出るのです。
------------
~\AppData\Local\Temp/ipykernel_9412/200884706.py in conv(s)
17 y,m = None,None
18 for exp,offset in rules:
---> 19 ret = re.search(exp,s)
20 if ret :
21 y = int(ret.group(1)) + offset

~\AppData\Local\Programs\Python\Python310\lib\re.py in search(pattern, string, flags)
198 """Scan through string looking for a match to the pattern, returning
199 a Match object, or None if no match was found."""
--> 200 return _compile(pattern, flags).search(string)
201
202 def sub(pattern, repl, string, count=0, flags=0):

TypeError: expected string or bytes-like object
------------
原因はメッセージの通り与えられた引数sが文字列じゃないということなのでしょうが、要素はobjectであることを確認しております。ご提示いただいたコードではエラーなく動作するので、データ側の問題だとは思うのですが、ヒントをいただけるとありがたいです。よろしくお願いいたします。

[8524ba23]

applyの詳細については以下マニュアルを参照ください。
https://pandas.pydata.org/docs/reference/api/pandas.Series.apply.html
呼び出される関数の第一引数にシリーズの各値が入ってきます。
コード全体が不明なのでなんともいえませんが、おそらく意図しない引数を渡しているものと思います。

[gogotowel]

元データ（excel）からDataFrameの変換時に文字列で読み込んだら解消しました。
df = pd.read_excel(path_to_file, dtype=str)
根本的な解決ではないのですが、この書き方で進めることとしました。
今回いただいたご回答で正規表現のいろはのいを学ぶことができて、大変参考になりました。
改めて、ありがとうございました。