时间戳

首页 > 解决方案 > Python 和正则表达式将 wrtitten 数字转换为数字

python - Python 和正则表达式将 wrtitten 数字转换为数字

问题描述

我正在尝试将书面数字转换为数值。

例如，要从此字符串中提取数百万：

text = 'I need $ 150000000, or 150 million,1 millions, 15 Million, 15million, 15Million, 15 m, 15 M, 15m, 15M, 15 MM, 15MM, 5 thousand'

至：

'I need $ 150000000, or 150000000,1000000, 15000000, 15000000, 15000000, 15000000, 15000000, 15000000, 15000000, 15000000, 15000000, 5 thousand'

我使用此函数首先删除数字中的任何分隔符：

def foldNumbers(text):
    """ to remove "," or "." from numbers """"
    text = re.sub('(?<=[0-9])\,(?=[0-9])', "", text) # remove commas
    text = re.sub('(?<=[0-9])\.(?=[0-9])', "", text) # remove points
return text

我编写了这个正则表达式来查找常见的百万符号的所有可能模式。这 1) 查找数字并向前看 2) 数百万的常用符号，3) “[az]？” 部分是处理我已经删除“'”的百万或数百万的可选“s”。

re.findall(r'(?:[\d\.]+)(?= million[a-z]?|million[a-z]?| Million[a-z]?|Million[a-z]?|m| m|M| M|MM| MM)',text)

正确匹配百万数字并返回：

['150', '1', '15', '15', '15', '15', '15', '15', '15', '15', '15']

我现在需要做的是编写一个替换模式，在数字后插入“000000”，或者迭代数字并将数字乘以 100000。到目前为止，我已经尝试过：

re.sub(r'(?:[\d\.]+)(?= million[a-z]?|million[a-z]?| Million[a-z]?|Million[a-z]?|m| m|M| M|MM| MM)', "000000 ", text)

返回：

'I need $ 150,000,000, or 000000  million,000000  millions, 000000  Million, 000000 million, 000000 Million, 000000  m, 000000  M, 000000 m, 000000 M, 000000  MM, 000000 MM, 5 thousand'

我想我需要看看后面（？<=），但是在几次尝试之前和之后我都没有处理过这个问题，我似乎无法完成它。

仅供参考：我的计划是首先解决“百万”问题，然后为千 (K)、十亿 (B)、万亿 (T) 以及可能的其他单位（如距离、货币等）复制解决方案。我搜索了 SO 和谷歌对于 NLP 中的任何解决方案，文本清理和挖掘文章但没有找到任何东西。

标签： pythonregexreplacenlptext-mining

解决方案

您可以通过一个相对简单的方法来完成此操作re.sub：匹配

(?i)\b(\d+) ?m(?:m|illions?)?\b

捕获组中的初始数字，并替换为连接有 6 个零的组：

r'\g<1>000000'

https://regex101.com/r/IedRP4/1

代码：

text = 'I need $ 150000000, or 150 million,1 millions, 15 Million, 15million, 15Million, 15 m, 15 M, 15m, 15M, 15 MM, 15MM, 5 thousand'
output = re.sub(r'(?i)\b(\d+) ?m(?:m|illions?)?\b', r'\g<1>000000', text)

（因为替换中的组后面是数字，所以一定要使用\g<#>语法而不是\#语法）

推荐阅读