金融中数量和价格的大范围正则表达式

Question

我正在对大量财务数据进行一些数据挖掘，我需要找出两个匹配的 python 正则表达式：

价格，例如：

16 666 666.67
16 666 666,67
666 666.67
5 567.1
5 677,1
0.0
0,101
5,4
5.40
54.0
5.675674754747457
5980990.009345
16,000.45
234,234,657.108

价格中总是有一个昏迷或一个点。但逗号前可能有空格（空格需要保持一致，而不是像56 34.345 例如）

体积（数量），如：

9898
5
450934
5,000
1,000
1,000,000
5,998
11
0
5 000
1 000 000
1 980 000 000
599
233 590
23 613
181 876 980

数量永远不会用点分隔。基本不能有小数。

这是我试过的价格： (^[0-9]{0,}$)|(\d{1,}(?:[.,]\d{3})*(?:[.,]\d*)) 但我无法处理空格。

对于音量，我觉得很复杂，因为到处都有空格！

非常感谢。

Answer 1

在这种情况下，我推荐的不仅仅是正则表达式。

首先，规范化每一行是好的，因为有很多可接受的格式。我们将进行规范化，使. 始终是小数分隔符， 始终是千位分隔符：

if '.' not in line:
    # `,` is our separator, so replace with `.`
    line = line.replace(',', '.')
else:
    # `.` is our separator, so replace `,` with ` ` (does nothing if already space separated).
    line = line.replace(',', ' ')

现在，我们可以将正则表达式应用于line：

^\d{1,3}(\s\d{3})*\.\d+$ 将匹配以千分隔的任何内容。 ^\d+\.\d+$ 将匹配任何没有分隔数千的内容。

请注意，由于我们对行进行了一些预处理，因此我们的正则表达式更简单。我将保留数量一（应该更容易）并将适当的部分留给您。

我还建议捕获整个字符串，然后在其上调用 .replace(' ', '') 以去除空格，而不是尝试在正则表达式中去除它们。