Dizeden tüm özel karakterleri, noktalama işaretlerini ve boşlukları kaldır

Ben sadece harf ve rakam var böylece bir dizeden tüm özel karakterler, noktalama işaretleri ve boşlukları kaldırmak gerekiyor.

Bu normal ifade olmadan yapılabilir:

>>> string = "Special $#! characters   spaces 888323"
>>> ''.join(e for e in string if e.isalnum())
'Specialcharactersspaces888323'

Şunları kullanabilirsiniz str.isalnum:

S.isalnum() -> bool

Return True if all characters in S are alphanumeric
and there is at least one character in S, False otherwise.

Regex kullanmakta ısrar ederseniz, diğer çözümler işe yarayacaktır. Ancak, normal bir ifade kullanmadan yapılabiliyorsa, bunun için en iyi yolun bu olduğunu unutmayın.

Harf veya sayı olmayan bir karakter dizisiyle eşleşecek normal ifade:

[^A-Za-z0-9]+

Regex ikamesi yapmak için Python komutu:

re.sub('[^A-Za-z0-9]+', '', mystring)

Daha kısa yol:

import re
cleanString = re.sub('\W+','', string )

Kelimeler ve sayılar arasında boşluk olmasını istiyorsanız '' ile '' yerine

Bunu gördükten sonra, hangi cevapların en kısa sürede yürütüldüğünü öğrenerek sağlanan cevapları genişletmekle ilgilenmiştim, bu yüzden geçtim ve önerilen bazı cevapları timeitörnek dizelerden ikisine karşı kontrol ettim :

• string1 = 'Special $#! characters spaces 888323'
• string2 = 'how much for the maple syrup? $20.99? That s ricidulous!!!'

örnek 1

'.join(e for e in string if e.isalnum())

• string1 - Sonuç: 10.7061979771
• string2 - Sonuç: 7.78372597694

ÖRNEK 2

import re re.sub('[^A-Za-z0-9]+', '', string)

• string1 - Sonuç: 7.10785102844
• string2 - Sonuç: 4.12814903259

ÖRNEK 3

import re re.sub('\W+','', string)

• string1 - Sonuç: 3.11899876595
• string2 - Sonuç: 2.78014397621

Yukarıdaki sonuçlar ortalamadan en düşük getirili sonucun bir ürünüdür: repeat(3, 2000000)

Örnek 3 , Örnek 1'den 3 kat daha hızlı olabilir .

Python 2. *

Bence sadece filter(str.isalnum, string)çalışıyor

In [20]: filter(str.isalnum, 'string with special chars like !,#$% etcs.')
Out[20]: 'stringwithspecialcharslikeetcs'

Python 3. *

Python3'te, filter( )işlev yinelenebilir bir nesne döndürür (yukarıdakinin aksine dize yerine). İtertable bir dize almak için geri katılmak gerekir:

''.join(filter(str.isalnum, string)) 

veya listbirleştirme kullanımında geçmek için ( emin değilim ama biraz hızlı olabilir )

''.join([*filter(str.isalnum, string)])

not: açma işlemi Python'dan[*args] geçerli => 3.5

#!/usr/bin/python
import re

strs = "how much for the maple syrup? $20.99? That's ricidulous!!!"
print strs
nstr = re.sub(r'[?|$|.|!]',r'',strs)
print nstr
nestr = re.sub(r'[^a-zA-Z0-9 ]',r'',nstr)
print nestr

daha özel bir karakter ekleyebilirsiniz ve bunun yerine '' ifadesi kaldırılacak hiçbir şey ifade etmez.

Normal ifadeyi kullanan herkesten farklı olarak, istemediğimi açıkça numaralandırmak yerine, istediğim olmayan her karakteri hariç tutmaya çalışırdım.

Örneğin, yalnızca 'a'dan z'ye (büyük ve küçük harf) ve sayılardan karakterler istiyorsanız, diğer her şeyi hariç tutarım:

import re
s = re.sub(r"[^a-zA-Z0-9]","",s)

Bu, "sayı olmayan her karakteri veya 'a'dan z'ye veya' A'dan Z'ye kadar olan bir karakteri boş bir dizeyle değiştir" anlamına gelir.

Aslında, ^regex'inizin ilk yerine özel karakteri eklerseniz , olumsuzlamayı alırsınız.

Ekstra ipucu: ayrıca sonucu küçük harflerle yazmanız gerekiyorsa , şu anda büyük harf bulamadığınız sürece normal ifadeyi daha da hızlı ve kolay hale getirebilirsiniz.

import re
s = re.sub(r"[^a-z0-9]","",s.lower())

Normal ifade kullanmak istediğinizi ve 2to3 için hazır olan Unicode-cognizant 2.x kodunu istediğinizi / ihtiyacınız olduğunu varsayarsak:

>>> import re
>>> rx = re.compile(u'[\W_]+', re.UNICODE)
>>> data = u''.join(unichr(i) for i in range(256))
>>> rx.sub(u'', data)
u'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz\xaa\xb2 [snip] \xfe\xff'
>>>

s = re.sub(r"[-()\"#/@;:<>{}`+=~|.!?,]", "", s)

En genel yaklaşım, her bir karakteri sınıflandıran unicodedata tablosunun 'kategorilerini' kullanmaktır. Aşağıdaki kod, yalnızca kategorilerine göre yazdırılabilir karakterleri filtreler:

import unicodedata
# strip of crap characters (based on the Unicode database
# categorization:
# http://www.sql-und-xml.de/unicode-database/#kategorien

PRINTABLE = set(('Lu', 'Ll', 'Nd', 'Zs'))

def filter_non_printable(s):
    result = []
    ws_last = False
    for c in s:
        c = unicodedata.category(c) in PRINTABLE and c or u'#'
        result.append(c)
    return u''.join(result).replace(u'#', u' ')

İlgili tüm kategoriler için yukarıdaki URL'ye bakın. Tabii ki noktalama kategorilerine göre de filtreleyebilirsiniz.

string.punctuation aşağıdaki karakterleri içerir:

'"# $% & \! '() * +, - / :; <=> @ [\] ^ _`.? {|} ~'

Noktalama işaretlerini boş değerlerle eşleştirmek için translate ve maketrans işlevlerini kullanabilirsiniz (değiştir)

import string

'This, is. A test!'.translate(str.maketrans('', '', string.punctuation))

Çıktı:

'This is A test'

Çeviri kullan:

import string

def clean(instr):
    return instr.translate(None, string.punctuation + ' ')

Uyarı: Yalnızca ascii dizelerinde çalışır.

import re
my_string = """Strings are amongst the most popular data types in Python. We can create the strings by enclosing characters in quotes. Python treats single quotes the 

çift ​​tırnak işaretleri ile aynı. "" "

# if we need to count the word python that ends with or without ',' or '.' at end

count = 0
for i in text:
    if i.endswith("."):
        text[count] = re.sub("^([a-z]+)(.)?$", r"\1", i)
    count += 1
print("The count of Python : ", text.count("python"))

import re
abc = "askhnl#$%askdjalsdk"
ddd = abc.replace("#$%","")
print (ddd)

ve sonucunu şu şekilde göreceksin:

'askhnlaskdjalsdk

Noktalama İşaretlerini, Sayıları ve Özel Karakterleri Kaldırma

Misal :-

kod

combi['tidy_tweet'] = combi['tidy_tweet'].str.replace("[^a-zA-Z#]", " ") 

Sonuç:-

Teşekkürler :)

Özel karakterler (Almanca "Umlaute" as ü,, ägibi ö) içeren Almanca, İspanyolca, Danca, Fransızca gibi diğer diller için bunları normal ifade arama dizesine eklemeniz yeterlidir:

Almanca için örnek:

re.sub('[^A-ZÜÖÄa-z0-9]+', '', mystring)