在python中删除一个字符中间字符串（可迭代）

Question

我有一长串包含 4 条信息的字符串。我通过在空白处拆分它们来索引它们。不幸的是，在一些字符串中，第二条信息中也有一个空格。我希望能够删除两个冒号之间出现的任何空格。这里从列表中的几个项目来演示：

国外a:at:n请求1

在国外 a:at:n 沉默 1

在国外 a:at:n 时间 6

国外a:because of:n schedule 1

国外a:by:n 美国1

国外a:by:n银行1

国外a:by:n吹1

所以，我的问题出现在上面的第 4 行。显然我可以手动删除空间来解决问题，但列表是数千行。另外，我可以编写代码，用“becauseof”替换任何出现的“because of”，但这并不是唯一出现的两个单词序列。此外，第三个切片有时包含“因为”，我想在那里保留空格。我当前的代码试图返回每个序列的频率，如下所示：

import sys
import pprint

occ_list = []
observed = {}

lines = sys.stdin.readlines()

for line in lines:
    l = line.strip()
    i = l.split(' ')
    word = i[0]
    rel = i[1]
    wirts = i[2:-1]
    wirt = ' '.join(wirts)  # Word-in-relation-to (which may be compund)
    occ = i[-1]             # Frequency of specific "word, rel, wirt"
    arb = (word, rel, wirt)
    occ_list.append(int(occ))

    if not arb in observed.keys():
            observed[arb] = []
    if not occ in observed[arb]:
            observed[arb].append(int(occ)/float(1064542))

pprint.pprint(observed)

除了前面提到的带有额外空格的行之外，这有效。

如果有任何建议，我将不胜感激。 （我正在使用python 3.2） 谢谢

Answer 1

从在空白处拆分开始。如果第二项 不 包含空格，那么其中应该有 2 个冒号；如果只有一个冒号，则第二项中有 空格，因此第二项和第三项是单个项的一部分。

parts = line.split()
if parts[1].count(":") == 1:
    parts[1 : 3] = [" ".join(parts[1 : 3])]

Answer 2

除了第二位信息中的冒号之外，您是否希望文本文件中还有冒号？如果不是，我建议拆分冒号以删除空格。但是，如果您想在其他信息中允许使用其他冒号，那么我建议使用 re (regex) 模块。

# Split on colons:
bits = l.split(':')
# remove spaces in the second part
bits[1] = bits[1].replace(' ','')
# join again
l = ':'.join(bits)
# do rest of code.

另外，我认为您在问题中提到了这一点，但我想澄清一下。你有这样的台词吗？

abroad a:by:because of american 1

在这种情况下，您是否希望 rel 成为 a:by:because of？

信息第 3 部分 (wirts) 可以是多个单词吗？怎么样：

abroad a:by:because of american silence 2

你将如何计算出哪些词属于哪些词？

在这种情况下，我认为您需要有一个包含a:by:xxxx 中允许的空格的单词字典。

Answer 3

使用正则表达式：

#!/usr/bin/env python
import fileinput
import re
from collections import defaultdict
from pprint import pprint

occ_list = []
observed = defaultdict(list)
for line in fileinput.input():
    m = re.search(r"(\S+)\s+([^:]+:[^:]+:\S+)\s+(\S+)\s+(\d+)", line)
    if m:
       word, rel, wirt, occ = m.groups()
       occ = int(occ)
       occ_list.append(occ)
       observed[word, rel, wirt].append(occ / 1064542.0)

pprint(occ_list)
pprint(dict(observed))

Output

[1, 1, 6, 1, 1, 1, 1]
{('abroad', 'a:at:n', 'request'): [9.393711098293914e-07],
 ('abroad', 'a:at:n', 'silence'): [9.393711098293914e-07],
 ('abroad', 'a:at:n', 'time'): [5.636226658976349e-06],
 ('abroad', 'a:because of:n', 'schedule'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'american'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'bank'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'blow'): [9.393711098293914e-07]}

Answer 4

这是一个仅使用 split 和 rsplit 的版本：

for line in lines:
    word, s = line.strip().split(' ', 1)
    s, occ = s.rsplit(' ', 1)
    rel, s = s.rsplit(':', 1)
    s, wirt = s.split(' ', 1)       
    arb = (word, rel + ':' + s, wirt)
    occ_list.append(int(occ))