用正则表达式删除单词中的空格.文本挖掘的预处理数据

Question

对于一个学校项目，我正在研究kickstarter on Kaggle；https://www.kaggle.com/kemical/kickstarter-projects

在"name“变量中，有几个标题在它们之间有空格；例如，实例373 "C、R、O、S、T、O、W、N”。

我一整天都在做一些正则表达式( regex )，以re.sub额外的空格，并试图使它看起来像一个正常的词。虽然我认为这是一个更经常发生的问题，但大多数regex内容都是添加空格，或者添加双空格。从来没有这样具体的任务。

我尝试了几种方法来描述需要删除的确切空间类型，选择要作为一个组保存的字符，并使用它们作为替换字符串。虽然它看起来应该正常工作，但我的数据并没有改变。

• long regex表达式，用于识别以空格+单大写形式编写的单词(为此尝试了几个不同的表达式)
• r‘\2\4’指第二组和第四组(第一和第二字母字符)

​

Names_fixed = []
for i in Name_New: 
    Names_fixed.append(re.sub(r'(\s|^)([A-Z])(\s)(A-Z)\s/g', r'\2\4', i))

​

因为我对regex还是很陌生的，所以我求助于社区，提前感谢大家。

Answer 1

用这个：

re.sub(r'(?<![ \t])[A-Z](?:[ \t][A-Z])+(?![ \t])', lambda x: x.group().replace(' ','').replace('\t',''), i)

查找空格/制表符-分隔单词，并从找到的文本中删除空格/制表符。

解释

--------------------------------------------------------------------------------
  (?<!                     look behind to see if there is not:
--------------------------------------------------------------------------------
    [ \t]                    any character of: ' ', '\t' (tab)
--------------------------------------------------------------------------------
  )                        end of look-behind
--------------------------------------------------------------------------------
  [A-Z]                    any character of: 'A' to 'Z'
--------------------------------------------------------------------------------
  (?:                      group, but do not capture (1 or more times
                           (matching the most amount possible)):
--------------------------------------------------------------------------------
    [ \t]                    any character of: ' ', '\t' (tab)
--------------------------------------------------------------------------------
    [A-Z]                    any character of: 'A' to 'Z'
--------------------------------------------------------------------------------
  )+                       end of grouping
--------------------------------------------------------------------------------
  (?!                      look ahead to see if there is not:
--------------------------------------------------------------------------------
    [ \t]                    any character of: ' ', '\t' (tab)
--------------------------------------------------------------------------------
  )                        end of look-ahead

Answer 2

如果您的目标只是从单词中删除空格，请不要确定您是否真的需要regex。

您可以使用以下简单的替换()函数：

x = "C R O S S T O W N"
x = x.replace(' ','')

您可以在列表上对所有这样的单词运行循环。