python - 在列表项上使用正则表达式来替换整个单词

Question

all_transcripts我有一个包含对话 的大型数据集，我有一个gemeentes包含不同城市名称的小列表。在all_transcripts中，我想用“woonplaats”（城市的荷兰语）替换每个给出城市名称的实例。

为此，我有以下代码：

all_transcripts['filtered'] = all_transcripts['no_punc'].str.replace('|'.join(gemeentes),' woonplaats ')

但是，这会替换出现单词组合的每个实例，而不仅仅是整个单词。

我正在寻找的是这样的：

all_transcripts['filtered'] = all_transcripts['no_punc'].re.sub('|'r"\b{}\b".format(join(gemeentes)),' woonplaats ')

但这不起作用。

例如，我有：

all_transcripts['no_punc'] = ['i live in amsterdam', 'i come from haarlem', 'groningen is her favourite city']

gemeentes = ['amsterdam', 'rotterdam', 'den haag', 'haarlem', 'groningen']

运行代码后，我想要的输出如下：

>>> ['i live in woonplaats', 'i come from woonplaats', 'woonplaats is her favourite city']

之前，我使用过正则表达式的 '\b' 选项。但是，我不知道如何在这里应用它。我可以为每个单词运行一个 for 循环gemeentes并将其应用于整个数据集。但是考虑到它的大小（gemeentes 有超过 300 个变量和超过 250 万行的 all_transcripts），这在计算上会非常昂贵，因此，我想要一种与上面类似的方法，即使用 OR 运算符替换字符串。

标签： pythonregexreplace

Answer 1

看起来你很接近，但你会想re.sub稍微改变你的通话。像这样的东西应该工作：

gemeentes = ['amsterdam', 'rotterdam', 'den haag', 'haarlem', 'groningen']
all_transcripts['filtered'] = [re.sub(r"\b({})\b".format("|".join(gemeentes)), "woonplaats", s) for s in all_transcripts['no_punc']]

输出

all_transcripts['filtered'] = ['我住在 woonplaats', '我来自 woonplaats', 'woonplaats 是她最喜欢的城市']

至于性能，我不确定您是否会比传统的 for 循环获得更好的速度，因为您仍然需要遍历 2500 万个条目并应用正则表达式。