Pythonでpandas Seriesから有効な日付だけをフィルタリングする方法

データ分析では、文字列として格納された日付の中から、正しい形式の日付だけを抽出したい場面がよくあります。この記事では、Pythonのpandasと正規表現（reモジュール）を使って、Series内から「YYYY-MM-DD」形式の有効な日付だけをフィルタリングする方法を2通り紹介します。

入力データと期待される出力

次のようなSeriesがあると仮定します。

0    2010-03-12
1      2011-3-1
2    2020-10-10
3        11-2-2

この中で「年4桁・月2桁・日2桁」という形式に合致する有効な日付は、以下の2つです。

0    2010-03-12
2    2020-10-10

使用する正規表現パターンの解説

今回使用するパターンは r"\d{4}\W\d{2}\W\d{2}" です。それぞれの意味は以下の通りです。

• \d{4}：4桁の数字（年）
• \W：数字以外の1文字（区切り文字「-」など）
• \d{2}：2桁の数字（月）
• \d{2}：2桁の数字（日）

なお、「2011-3-1」のように月や日が1桁の場合や、「11-2-2」のように年が2桁の場合はパターンに一致しないため、自動的に除外されます。

解決策1：forループとre.match()を使う方法

Seriesの各要素に対して re.match() でパターン判定を行い、一致した要素だけを出力します。

import pandas as pd
import re

l = ['2010-03-12', '2011-3-1', '2020-10-10', '11-2-2']
data = pd.Series(l)

for i, j in data.items():
    if re.match(r"\d{4}\W\d{2}\W\d{2}", j):
        print(i, j)

出力結果

0     2010-03-12
2     2020-10-10
dtype: object

解決策2：filter()とlambda、isin()を使う方法

組み込み関数 filter() にlambda式を渡してパターンに一致する要素だけを取り出し、isin() を使って元のSeriesから該当行を抽出します。

import pandas as pd
import re

l = ['2010-03-12', '2011-3-1', '2020-10-10', '11-2-2']
data = pd.Series(l)

result = pd.Series(filter(lambda x: re.match(r"\d{4}\W\d{2}\W\d{2}", x), data))
print(data[data.isin(result)])

出力結果

0     2010-03-12
2     2020-10-10
dtype: object

補足：str.match()を使ったより簡潔な方法

pandasの文字列アクセサ .str.match() を使えば、さらに簡潔に記述できます。

mask = data.str.match(r"\d{4}\W\d{2}\W\d{2}")
print(data[mask])

この方法ではBooleanマスクで直接フィルタリングできるため、コードの可読性が高く、大規模データでも高速に動作するため実務におすすめです。

まとめ

正規表現によるパターンマッチングを組み合わせることで、不正な形式の日付が混在するSeriesからも、有効な日付だけを簡単に抽出できます。シンプルな処理ならforループと re.match()、ベクトル化された効率的な処理なら .str.match() や isin() の活用が効果的です。