#python #regex
#python #регулярное выражение
Вопрос:
Я хочу очистить свой текст, удалив из него определенную длину цифр, поэтому я определяю для него правило. Я думаю, isdigit с этим хорошо иметь дело, но если я использую это, он отбросит все цифры в тексте. в моем тесте последние 10 цифр не добавлены в текст, поэтому я мог бы их удалить. Вот что я попробовал:
urls = ['variety.com/2017/biz/news/tax-march-donald-trump-protest-1202031487/',
'variety.com/2018/film/news/list-2018-oscar-nominations-1202668757/']
cols = ['c1', 'c2', 'c3', 'c4']
make_me = []
for url in urls:
lst = url.split("/")
# your business rules go here
make_me.append([x for x in lst if not x.isdigit() and not x == ""])
df = pd.DataFrame(make_me, columns=cols)
df
res=[]
for i in df.c4:
lst=i.split("-")
res.append([''.join(x) for x in lst if not x.isdigit()])
моя попытка отбросила все цифры в тексте. Я просто хочу такой вывод:
tax march donald trump protest
list 2018 oscar nominations
как я должен написать правило, чтобы получить этот вывод? Есть идеи?
Комментарии:
1. Можете ли вы гарантировать, что извлекаемый текст всегда находится между двумя последними
/и перед последним-?2. @Austin да, я могу гарантировать, как вы знаете, последние 10 цифр не связаны с текстом, поэтому я не хочу, чтобы они были в тексте. в принципе, я хочу создать новые места расположения, разделив завитки, чтобы получить заголовок новости (например,
tax march donald trump protest) без последних 10 цифр. Есть красивое решение для этого?3. похоже, регулярное выражение довольно излишне. Смотрите мое решение ниже.
Ответ №1:
Способ работы на чистом python без дополнительных модулей выглядит следующим образом:
urls = ['variety.com/2017/biz/news/tax-march-donald-trump-protest-1202031487/',
'variety.com/2018/film/news/list-2018-oscar-nominations-1202668757/']
for x in urls:
print(' '.join(x.rsplit('/', 2)[-2].split('-')[:-1]))
# tax march donald trump protest
# list 2018 oscar nominations
Если вам нужен список выходных данных, используйте понимание списка:
[' '.join(x.rsplit('/', 2)[-2].split('-')[:-1]) for x in urls]
Комментарии:
1. @woody, тебе нужен список в конце? Если да, дерзайте. Не используйте иначе.
2. Мне не нужен список, я хочу создать из них новые столбцы. поскольку ваше решение довольно эффективное, можно ли создать новый фрейм данных, добавив их в качестве нового столбца? как сформировать новый фрейм данных? Есть идеи?
3. @woody, уверен, что ты можешь использовать. Дело в том, что компиляторы списков предназначены для создания списков. Если вам нужен список для передачи при создании фрейма данных, подойдет list comp.
4. есть какое-нибудь красивое решение, чтобы это произошло?
5. @woody, извините за задержку. Не уверен, о чем вы спрашиваете. Если вы спрашиваете, как создать dataframe из имеющихся у вас входных данных, пожалуйста, обратитесь к некоторым вопросам SO (надеюсь, что они есть), иначе это стоит нового вопроса. Ответ на этот первоначальный вопрос получен.
Ответ №2:
Предполагая, что вы хотите извлечь URL-адреса того же формата, используйте регулярные выражения
import re
urls = ['variety.com/2017/biz/news/tax-march-donald-trump-protest-1202031487/',
'variety.com/2018/film/news/list-2018-oscar-nominations-1202668757/']
news = []
regex =re.compile(r'/news/(.*)-')
for url in urls:
extract_id = regex.search(url)
if extract_id:
data = extract_id.group(1)
news.append(data.replace('-',' '))
print(news)
Вывод
['tax march donald trump protest', 'list 2018 oscar nominations']
Отредактированный формат в соответствии с вопросом.
Ответ №3:
К этому может быть много подходов. Используйте .rfind('-') , чтобы получить крайний правый индекс ‘-‘, а затем разрежьте вашу строку. После этого вы можете обработать строку дальше.
Комментарии:
1. Как вы сказали, проблема с ‘numbers’, вы можете сначала удалить все ненужные числа с помощью среза, найдя их индекс. например, срез из ‘news’ по его индексу, затем также 10 цифр в конце, найдя правильный индекс ‘-‘ и, наконец, ваш цикл для удаления других нежелательных символов
Ответ №4:
В этом случае у вас есть очень конкретное правило, которое поможет вам — просто удалите последние 10 символов из последнего интересующего элемента. В этом случае lst[-2] = lst[-2][:-12] прямо перед make_me.append вызовом сработало бы.
Если вы действительно хотите сделать это с помощью регулярного выражения, я бы использовал маркер конца строки, $, чтобы убедиться, что цифры были в конце. Это выглядело бы как lst = re.sub('[0-9]{10}/$','',url)
после импорта re , конечно. Это читается как:
re.sub — это метод подстановки в модуле регулярных выражений, и он изменяет совпадения с регулярным выражением в первом параметре с содержимым во втором параметре; третий параметр — это строка, в которой вы хотите произвести подстановку.
Регулярное выражение, которое я написал, соответствует «последовательности из 10 символов, которые соответствуют любому из 0123456789, за которым следует / и конец строки».