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
解决方案
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