Лучший способ удалить знаки препинания из строки
-
06-07-2019 - |
Вопрос
Кажется, что должен быть более простой способ, чем:
import string
s = "string. With. Punctuation?" # Sample string
out = s.translate(string.maketrans("",""), string.punctuation)
Есть ли?
Решение
С точки зрения эффективности, вы не победите
s.translate(None, string.punctuation)
Для более поздних версий Python используйте следующий код:
s.translate(str.maketrans('', '', string.punctuation))
Он выполняет необработанные строковые операции в C с помощью справочной таблицы - не так много, что превзойдет это, но вы пишете свой собственный C-код.
Если скорость не беспокоит, есть еще один вариант:
exclude = set(string.punctuation)
s = ''.join(ch for ch in s if ch not in exclude)
Это быстрее, чем s.replace с каждым символом, но не будет работать так же хорошо, как подходы с не-чистым питоном, такие как регулярные выражения или string.translate, как вы можете видеть из приведенных ниже моментов времени. Для такого типа проблем выполнение на минимально возможном уровне окупается.
Временной код:
import re, string, timeit
s = "string. With. Punctuation"
exclude = set(string.punctuation)
table = string.maketrans("","")
regex = re.compile('[%s]' % re.escape(string.punctuation))
def test_set(s):
return ''.join(ch for ch in s if ch not in exclude)
def test_re(s): # From Vinko's solution, with fix.
return regex.sub('', s)
def test_trans(s):
return s.translate(table, string.punctuation)
def test_repl(s): # From S.Lott's solution
for c in string.punctuation:
s=s.replace(c,"")
return s
print "sets :",timeit.Timer('f(s)', 'from __main__ import s,test_set as f').timeit(1000000)
print "regex :",timeit.Timer('f(s)', 'from __main__ import s,test_re as f').timeit(1000000)
print "translate :",timeit.Timer('f(s)', 'from __main__ import s,test_trans as f').timeit(1000000)
print "replace :",timeit.Timer('f(s)', 'from __main__ import s,test_repl as f').timeit(1000000)
Это дает следующие результаты:
sets : 19.8566138744
regex : 6.86155414581
translate : 2.12455511093
replace : 28.4436721802
Другие советы
Регулярные выражения достаточно просты, если вы их знаете. Р>
import re
s = "string. With. Punctuation?"
s = re.sub(r'[^\w\s]','',s)
В приведенном выше коде мы заменяем (re.sub) все NON [буквенно-цифровые символы (\ w) и пробелы (\ s)] пустой строкой.
Отсюда. а также ? пунктуация не будет присутствовать в переменной 's' после запуска переменной s через регулярное выражение.
Для удобства использования я суммирую примечание о чередовании знаков препинания в строке как в Python 2, так и в Python 3. Подробное описание см. в других ответах.
<Ч>Python 2
import string
s = "string. With. Punctuation?"
table = string.maketrans("","")
new_s = s.translate(table, string.punctuation) # Output: string without punctuation
<Ч>
Python 3
import string
s = "string. With. Punctuation?"
table = str.maketrans({key: None for key in string.punctuation})
new_s = s.translate(table) # Output: string without punctuation
myString.translate(None, string.punctuation)
Я обычно использую что-то вроде этого:
>>> s = "string. With. Punctuation?" # Sample string
>>> import string
>>> for c in string.punctuation:
... s= s.replace(c,"")
...
>>> s
'string With Punctuation'
string.punctuation
только для ASCII ! Более правильным (но также и гораздо более медленным) способом является использование модуля unicodedata:
# -*- coding: utf-8 -*-
from unicodedata import category
s = u'String — with - «punctation »...'
s = ''.join(ch for ch in s if category(ch)[0] != 'P')
print 'stripped', s
Не обязательно проще, но по-другому, если вы больше знакомы с семьей. Р>
import re, string
s = "string. With. Punctuation?" # Sample string
out = re.sub('[%s]' % re.escape(string.punctuation), '', s)
Для значений Python 3 str
или Python 2 unicode
, str.translate ()
принимает только словарь; кодовые точки (целые числа) ищутся в этом отображении, и все, что сопоставлено с None
, удаляется.
Чтобы удалить (некоторые?) знаки препинания, используйте:
import string
remove_punct_map = dict.fromkeys(map(ord, string.punctuation))
s.translate(remove_punct_map)
dict.fromkeys ()
Метод упрощает создание сопоставления, устанавливая все значения в Нет
на основе последовательности ключей.
Чтобы удалить все знаки препинания, а не только знаки препинания ASCII, ваша таблица должна быть немного больше; см. J.F. Ответ Себастьяна (версия Python 3):
import unicodedata
import sys
remove_punct_map = dict.fromkeys(i for i in range(sys.maxunicode)
if unicodedata.category(chr(i)).startswith('P'))
string.punctuation
не хватает множества знаков препинания, которые обычно используются в реальном мире.Как насчет решения, которое работает для знаков препинания, отличных от ASCII?
import regex
s = u"string. With. Some・Really Weird、Non?ASCII。 「(Punctuation)」?"
remove = regex.compile(ur'[\p{C}|\p{M}|\p{P}|\p{S}|\p{Z}]+', regex.UNICODE)
remove.sub(u" ", s).strip()
Лично я считаю, что это лучший способ удалить знаки препинания из строки в Python, потому что:
- Он удаляет все знаки препинания в Юникоде
- Его легко изменить, напримервы можете удалить
\{S}
если вы хотите убрать знаки препинания, но сохранить такие символы, как$
. - Вы можете получить действительно конкретную информацию о том, что вы хотите сохранить и что вы хотите удалить, например
\{Pd}
будут удалены только тире. - Это регулярное выражение также нормализует пробелы.Он сопоставляет табуляции, возврат каретки и другие странности с удобными одиночными пробелами.
При этом используются свойства символов Юникода, которые вы можете прочитать больше об этом в Википедии.
Возможно, это не лучшее решение, но я так и сделал.
import string
f = lambda x: ''.join([i for i in x if i not in string.punctuation])
Вот функция, которую я написал. Это не очень эффективно, но это просто, и вы можете добавить или удалить любую пунктуацию по вашему желанию:
def stripPunc(wordList):
"""Strips punctuation from list of words"""
puncList = [".",";",":","!","?","/","\\",",","#","@","<*>quot;,"&",")","(","\""]
for punc in puncList:
for word in wordList:
wordList=[word.replace(punc,'') for word in wordList]
return wordList
Вот одна строка для Python 3.5:
import string
"l*ots! o(f. p@u)n[c}t]u[a'ti\"on#$^?/".translate(str.maketrans({a:None for a in string.punctuation}))
Я еще не видел этот ответ. Просто используйте регулярное выражение; удаляются все символы, кроме символов слова ( \ w
) и цифр ( \ d
), за которыми следует символ пробела ( \ s
): р>
import re
s = "string. With. Punctuation?" # Sample string
out = re.sub(ur'[^\w\d\s]+', '', s)
Вот решение без регулярных выражений.
import string
input_text = "!where??and!!or$$then:)"
punctuation_replacer = string.maketrans(string.punctuation, ' '*len(string.punctuation))
print ' '.join(input_text.translate(punctuation_replacer).split()).strip()
Output>> where and or then
- Заменяет знаки препинания пробелами
- Замените несколько пробелов между словами одним пробелом
- Удалите пробелы в конце, если они есть, с помощью strip()
В качестве обновления я переписал пример @Brian в Python 3 и внес в него изменения, чтобы переместить шаг компиляции регулярного выражения в функцию. Я думал о том, чтобы рассчитывать каждый шаг, необходимый для работы функции. Возможно, вы используете распределенные вычисления и не можете разделить объект regex между вашими работниками, и вам нужно иметь шаг re.compile
для каждого работника. Кроме того, мне было интересно узнать время двух разных реализаций макетранса для Python 3
table = str.maketrans({key: None for key in string.punctuation})
против
table = str.maketrans('', '', string.punctuation)
Кроме того, я добавил еще один метод для использования set, в котором я использую функцию пересечения, чтобы уменьшить количество итераций.
Это полный код:
import re, string, timeit
s = "string. With. Punctuation"
def test_set(s):
exclude = set(string.punctuation)
return ''.join(ch for ch in s if ch not in exclude)
def test_set2(s):
_punctuation = set(string.punctuation)
for punct in set(s).intersection(_punctuation):
s = s.replace(punct, ' ')
return ' '.join(s.split())
def test_re(s): # From Vinko's solution, with fix.
regex = re.compile('[%s]' % re.escape(string.punctuation))
return regex.sub('', s)
def test_trans(s):
table = str.maketrans({key: None for key in string.punctuation})
return s.translate(table)
def test_trans2(s):
table = str.maketrans('', '', string.punctuation)
return(s.translate(table))
def test_repl(s): # From S.Lott's solution
for c in string.punctuation:
s=s.replace(c,"")
return s
print("sets :",timeit.Timer('f(s)', 'from __main__ import s,test_set as f').timeit(1000000))
print("sets2 :",timeit.Timer('f(s)', 'from __main__ import s,test_set2 as f').timeit(1000000))
print("regex :",timeit.Timer('f(s)', 'from __main__ import s,test_re as f').timeit(1000000))
print("translate :",timeit.Timer('f(s)', 'from __main__ import s,test_trans as f').timeit(1000000))
print("translate2 :",timeit.Timer('f(s)', 'from __main__ import s,test_trans2 as f').timeit(1000000))
print("replace :",timeit.Timer('f(s)', 'from __main__ import s,test_repl as f').timeit(1000000))
Это мои результаты:
sets : 3.1830138750374317
sets2 : 2.189873124472797
regex : 7.142953420989215
translate : 4.243278483860195
translate2 : 2.427158243022859
replace : 4.579746678471565
>>> s = "string. With. Punctuation?"
>>> s = re.sub(r'[^\w\s]','',s)
>>> re.split(r'\s*', s)
['string', 'With', 'Punctuation']
import re
s = "string. With. Punctuation?" # Sample string
out = re.sub(r'[^a-zA-Z0-9\s]', '', s)
Однострочник может быть полезен в не очень строгих случаях:
''.join([c for c in s if c.isalnum() or c.isspace()])
#FIRST METHOD
#Storing all punctuations in a variable
punctuation='!?,.:;"\')(_-'
newstring='' #Creating empty string
word=raw_input("Enter string: ")
for i in word:
if(i not in punctuation):
newstring+=i
print "The string without punctuation is",newstring
#SECOND METHOD
word=raw_input("Enter string: ")
punctuation='!?,.:;"\')(_-'
newstring=word.translate(None,punctuation)
print "The string without punctuation is",newstring
#Output for both methods
Enter string: hello! welcome -to_python(programming.language)??,
The string without punctuation is: hello welcome topythonprogramminglanguage
with open('one.txt','r')as myFile:
str1=myFile.read()
print(str1)
punctuation = ['(', ')', '?', ':', ';', ',', '.', '!', '/', '"', "'"]
for i in punctuation:
str1 = str1.replace(i," ")
myList=[]
myList.extend(str1.split(" "))
print (str1)
for i in myList:
print(i,end='\n')
print ("____________")
Удалите стоп-слова из текстового файла, используя Python
print('====THIS IS HOW TO REMOVE STOP WORS====')
with open('one.txt','r')as myFile:
str1=myFile.read()
stop_words ="not", "is", "it", "By","between","This","By","A","when","And","up","Then","was","by","It","If","can","an","he","This","or","And","a","i","it","am","at","on","in","of","to","is","so","too","my","the","and","but","are","very","here","even","from","them","then","than","this","that","though","be","But","these"
myList=[]
myList.extend(str1.split(" "))
for i in myList:
if i not in stop_words:
print ("____________")
print(i,end='\n')
Это как изменить наши документы в верхний регистр или строчные буквы.
print('@@@@This is lower case@@@@')
with open('students.txt','r')as myFile:
str1=myFile.read()
str1.lower()
print(str1.lower())
print('*****This is upper case****')
with open('students.txt','r')as myFile:
str1=myFile.read()
str1.upper()
print(str1.upper())
Мне нравится использовать подобную функцию следующим образом:
def scrub(abc):
while abc[-1] is in list(string.punctuation):
abc=abc[:-1]
while abc[0] is in list(string.punctuation):
abc=abc[1:]
return abc