如何使用Regex从字符串中检测收集格式化数字和非格式化数字

Question

我正在用Python开发一个项目，它将任何给定的字符串规范化为纯纯文本。问题是，我的输入非常不规则，有些数字是格式化的(值、价格)，而另一些数字则没有格式化(年份、年龄)。我试图收集所有这些文件，而不关心是否使用下面的脚本进行格式化。

def get_nums(line):
   formatted_nums = re.compile('\d{1,3}[,.]\d{1,3}')
   nums = re.compile('\d+')
   formatted_nums_data = rm_repetitions(formatted_nums.findall(line))
   nums_data = rm_repetitions(nums.findall(line))
   return formatted_nums_data + nums_data

然而，考虑到这句话:劳斯莱斯汽车公司(Royce Cars Inc. .)表示，预计1990年美国汽车销量将保持稳定在1,200辆左右。它向我提供了以下结果：

[u'1,200', u'1', u'200', u'1990']

尽管如此，我想要的输出是：

[u'1,200', u'1990']

这类问题有什么解决办法吗？提前谢谢你

Answer 1

您不希望出现一个或多个事件，这就是+给您的

您想要4次这样的{4}

import re

def get_nums(line):
   formatted_nums = re.compile('\d{1,3}[,.]\d{1,3}')
   nums = re.compile('\d{4}') # CHANGE
   # using SET to remove duplicates
   formatted_nums_data = list(set(formatted_nums.findall(line)))
   nums_data = list(set(nums.findall(line)))
   return formatted_nums_data + nums_data

line = "Rolls-Royce Motor Cars Inc. said it expects its U.S. sales to remain steady at about 1,200 cars in 1990"   
print(get_nums (line))

['1,200', '1990']