regex - 从Python中的中文字符串列中删除空格和标点符号

问题描述

为了逐news列从以下数据帧中删除重复项，我尝试从该列中删除所有spaces和punctuations。

      date                             news
0  2017-08      北京写字楼租金哪家高? 金融街、CBD、亚奥居TOP3
1  2017-08       租金一直涨,到底是谁租走了北京最贵的写字楼(附名单)
2  2017-09                 北京三季度写字楼租金继续保持平稳
3  2017-09           戴德梁行:第三季度北京写字楼市场租金保持平稳
4  2018-01  北京豪华公寓销量大涨76.5% 金融街写字楼租金创35季度新高
5  2010-11             楼市下行,高租金的商住和写字楼能不能投?

我尝试了以下解决方案：

df.news = df.news.apply(lambda x: re.sub(r'[^\w\s]', '', x)).replace(' ', '')
df.news = df.news.str.replace('[^\w\s]', '').str.strip()

两者都在字符串内生成带有空格的输出：

0         北京写字楼租金哪家高 金融街CBD亚奥居TOP3        ---> space in the phrase
1          租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                 北京三季度写字楼租金继续保持平稳
3            戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765 金融街写字楼租金创35季度新高  ---> space in the phrase
5               楼市下行高租金的商住和写字楼能不能投

以下代码删除了新闻短语的第二部分。

df.news = df.news.str.extract('(\w+)', expand = False)

0          北京写字楼租金哪家高
1               租金一直涨
2    北京三季度写字楼租金继续保持平稳
3                戴德梁行
4        北京豪华公寓销量大涨76
5                楼市下行

如何获得news列的预期结果如下？谢谢你。

0         北京写字楼租金哪家高金融街CBD亚奥居TOP3        
1          租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                 北京三季度写字楼租金继续保持平稳
3            戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765金融街写字楼租金创35季度新高  
5               楼市下行高租金的商住和写字楼能不能投

标签： regexpython-3.xpandasdataframe

这似乎有效：

 df.news.apply(lambda x: re.sub(r'[^\w\s]', '', x)).str.replace(' ', '')

输出：

0         北京写字楼租金哪家高金融街CBD亚奥居TOP3
1         租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                北京三季度写字楼租金继续保持平稳
3           戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765金融街写字楼租金创35季度新高
5              楼市下行高租金的商住和写字楼能不能投

regex - 从Python中的中文字符串列中删除空格和标点符号

问题描述

解决方案

推荐阅读