python - 使用 re.sub 删除两个字符之间的空格

Posted 2023-03-12

【中文标题】python - 使用 re.sub 删除两个字符之间的空格

【英文标题】：python - remove whitespace between two characters using re.sub

【发布时间】：2021-05-02 16:49:37

【问题描述】：

我有一对列，如下所示：

x = ["a b williams", "e g", "z z specialists"]
y = ["j j winston", "hb d party supplies", "t t ice cream"]
df = pd.DataFrame(x,y)

我希望能够使用re.sub 删除两个单个字符之间的空格。我尝试了以下方法：

re.sub("(?<=\\w\\b)"\\s"(?=\\w\\b)", "", df)

但是，当我运行代码时，出现以下错误。

SyntaxError: unexpected character after line continuation character

我不确定自己做错了什么。期望的结果是：

jj winston             ab williams
hb d party supplies              eg
tt ice cream           zz specialists

请指教。任何建议表示赞赏。

【问题讨论】：

"(?<=\\w\\b)"\\s"(?=\\w\\b)" 语法无效。

那是df 的例子代表吗？您真的要在索引中替换吗？正则表达式相当简单，你可以使用r'(?<=\b[^\W\d_])\s(?=[^\W\d_]\b)'。或者，如果您真的想将数字和下划线视为单词，r'(?<=\b\w)\s(?=\w\b)'

@WiktorStribiżew 我不确定你对索引的意思

我的意思是，df.replace(regex_here,'', regex=True) 不会在索引列中替换。好的，re.sub(r'(?<=\b[^\W\d_])\s(?=[^\W\d_]\b)','', text) 对你有用吗？请注意，您不能将df 作为输入参数传递给re.sub，它必须是一个字符串。这就是为什么我要询问您数据的真实结构。

@TigerhawkT3 您不能将数据帧作为输入传递给re.sub。

【参考方案1】：

你可以使用

(?<=\b[^\W\d_])\s(?=[^\W\d_]\b)
(?<=\b\w)\s(?=\w\b)

请参阅regex demo。请注意，[^\W\d_] 模式匹配 Python re 中的任何 Unicode 字母。 \w 匹配 Unicode 字母、数字、_ 以及一些变音符号和其他连接符标点符号。

详情

(?<=\b[^\W\d_]) - 一个正向的后视，匹配一个紧跟在一个字母前面的位置作为一个完整的单词（因为它前面有一个单词边界） \s - 一个空格字符 (?=[^\W\d_]\b) - 一个正向预测，它匹配一个紧跟一个字母作为整个单词的位置（因为它后面跟着一个单词边界）。

这是一个 Pandas 演示：

x = ["a b williams", "e g", "z z specialists"]
y = ["j j winston", "h d party supplies", "t t ice cream"]
df = pd.DataFrame(x,y)
rx = r'(?<=\b[^\W\d_])\s(?=[^\W\d_]\b)'
df.index = df.index.to_series().replace(rx, '', regex=True)
df = df.replace(rx, '', regex=True)
# => df
#                                 0
# jj winston            ab williams
# hd party supplies              eg
# tt ice cream       zz specialists

由于DataFrame.replace和regex=True不涉及索引列，所以必须单独处理，因此增加了df.index = df.index.to_series().replace(rx, '', regex=True)这行代码。

【讨论】：

你能解释一下单数模式\d_ 是如何工作的吗？只是说只有一个空格吗？

@jvalenti \d_ 在[^\W\d_] 否定字符类中表示digit 和_，整体含义是任何字符，但非单词字符、数字和@ 987654339@。换句话说，除了数字和_之外的任何单词字符。

【参考方案2】：

您的正则表达式非常接近要求，可以稍作修改，如下所示：

r'(?<=\b\w)(\s)(?=\w\b)'

注意使用原始引号 r'...'，这样您就不需要在正则表达式中使用双 \ for。

Regex Demo

更好地编译正则表达式以加快处理速度，因为它被多次使用

pattern = re.compile(r'(?<=\b\w)(\s)(?=\w\b)')

然后重复使用您的代码：

x = ["a b williams", "e g", "z z specialists"]
y = ["j j winston", "h d party supplies", "t t ice cream"]
df = pd.DataFrame(x,y)

转换索引：

df.index = df.index.to_series().str.replace(pattern, '')

转换数据列：

df[0] = df[0].str.replace(pattern, '')

你的错误解释：

你不能直接在整个 pandas DataFrame 上使用 re.sub 您的正则表达式包含 4 个引号“其中第二个”结束正则表达式，因此正则表达式的后续部分被 \ 标记视为续行，并且在续行之后被视为无效的字符

【参考方案3】：

使用re.sub，我建议如下：

# your lists    
x = ["a b williams", "e g", "z z specialists"]
y = ["j j winston", "hb d party supplies", "t t ice cream"]

# replacements
x = [re.sub(r'(\b\w)(\s)(\w\b)', r'\1\3', el) for el in x]
y = [re.sub(r'(\b\w)(\s)(\w\b)', r'\1\3', el) for el in y]

# pd dataframe after the process
df = pd.DataFrame(x,y)