我是一名护士，懂得Python，但不是专家，只是用它来处理DNA序列
我们有用人类语言书写的医院记录，我需要将这些数据插入到数据库或CSV文件中，但这些记录超过5000行，这可能非常困难。所有数据都以一致的格式书写，让我给你展示一个例子
11/11/2010 - 09:00am : He got nausea, vomiting and died 4 hours later我应该得到以下数据
Sex: MaleSymptoms: Nausea VomitingDeath: TrueDeath Time: 11/11/2010 - 01:00pm另一个例子
11/11/2010 - 09:00am : She got heart burn, vomiting of blood and died 1 hours later in the operation room我得到
Sex: FemaleSymptoms: Heart burn Vomiting of bloodDeath: TrueDeath Time: 11/11/2010 - 10:00am顺序并不一致，当我说在…….时，”在”是一个关键词，后面的所有文本都是地点，直到我找到另一个关键词
在开头”He”或”She”决定性别，”got”后面的任何内容都是一组症状，我应该根据分隔符（可以是逗号、连字符或其他，但对于同一行是一致的）来分割
“died”后面的”……小时后”也应该得到小时数，有时病人仍然活着并出院……等等
也就是说，我们有很多约定俗成的规则，我认为如果我能用关键词和模式来标记文本，我就能完成这项工作。所以，如果你知道有用的函数/模块/教程/工具，最好是Python的（如果不是Python，那么一个GUI工具会很好）
一些少量信息：
有很多规则来表达各种医学数据，但这里是一些例子- 以相同的日期/时间格式开头，后跟一个空格，然后是一个冒号，再跟一个空格，然后是He/She，再跟一个空格，然后是用and分隔的规则- 规则： * got <symptoms>,<symptoms>,.... * investigations were done <investigation>,<investigation>,<investigation>,...... * received <drug or procedure>,<drug or procedure>,..... * discharged <digit> (hour|hours) later * kept under observation * died <digit> (hour|hours) later * died <digit> (hour|hours) later in <place>其他规则也存在，但它们遵循相同的思路回答：
这使用了dateutil来解析日期（例如’11/11/2010 – 09:00am’），以及parsedatetime来解析相对时间（例如’4 hours later’）：
import dateutil.parser as dparserimport parsedatetime.parsedatetime as pdtimport parsedatetime.parsedatetime_consts as pdcimport timeimport datetimeimport reimport pprintpdt_parser = pdt.Calendar(pdc.Constants()) record_time_pat=re.compile(r'^(.+)\s+:')sex_pat=re.compile(r'\b(he|she)\b',re.IGNORECASE)death_time_pat=re.compile(r'died\s+(.+hours later).*$',re.IGNORECASE)symptom_pat=re.compile(r'[,-]')def parse_record(astr): match=record_time_pat.match(astr) if match: record_time=dparser.parse(match.group(1)) astr,_=record_time_pat.subn('',astr,1) else: sys.exit('Can not find record time') match=sex_pat.search(astr) if match: sex=match.group(1) sex='Female' if sex.lower().startswith('s') else 'Male' astr,_=sex_pat.subn('',astr,1) else: sys.exit('Can not find sex') match=death_time_pat.search(astr) if match: death_time,date_type=pdt_parser.parse(match.group(1),record_time) if date_type==2: death_time=datetime.datetime.fromtimestamp( time.mktime(death_time)) astr,_=death_time_pat.subn('',astr,1) is_dead=True else: death_time=None is_dead=False astr=astr.replace('and','') symptoms=[s.strip() for s in symptom_pat.split(astr)] return {'Record Time': record_time, 'Sex': sex, 'Death Time':death_time, 'Symptoms': symptoms, 'Death':is_dead}if __name__=='__main__': tests=[('11/11/2010 - 09:00am : He got nausea, vomiting and died 4 hours later', {'Sex':'Male', 'Symptoms':['got nausea', 'vomiting'], 'Death':True, 'Death Time':datetime.datetime(2010, 11, 11, 13, 0), 'Record Time':datetime.datetime(2010, 11, 11, 9, 0)}), ('11/11/2010 - 09:00am : She got heart burn, vomiting of blood and died 1 hours later in the operation room', {'Sex':'Female', 'Symptoms':['got heart burn', 'vomiting of blood'], 'Death':True, 'Death Time':datetime.datetime(2010, 11, 11, 10, 0), 'Record Time':datetime.datetime(2010, 11, 11, 9, 0)}) ] for record,answer in tests: result=parse_record(record) pprint.pprint(result) assert result==answer print产生的结果是：
{'Death': True, 'Death Time': datetime.datetime(2010, 11, 11, 13, 0), 'Record Time': datetime.datetime(2010, 11, 11, 9, 0), 'Sex': 'Male', 'Symptoms': ['got nausea', 'vomiting']}{'Death': True, 'Death Time': datetime.datetime(2010, 11, 11, 10, 0), 'Record Time': datetime.datetime(2010, 11, 11, 9, 0), 'Sex': 'Female', 'Symptoms': ['got heart burn', 'vomiting of blood']}注意：解析日期时要小心。’8/9/2010’是指8月9日，还是9月8日？所有记录员是否使用相同的约定？如果你选择使用dateutil（我真的认为如果日期字符串不是严格结构化的，这是最好的选择），请务必阅读dateutil文档中的“格式优先级”部分，以便（希望）正确解析’8/9/2010’。如果你不能保证所有记录员在指定日期时使用相同的约定，那么这个脚本的结果将需要手动检查。无论如何，这可能是明智的做法。
