如果它包含来自“黑名单”的子字符串，则从列表中删除项目

Question

在 python 中，我想从列表中删除包含在所谓的“黑名单”中找到的子字符串的任何字符串。

例如，假设列表 A 如下：

A = [ 'cat', 'doXXXg', 'monkey', 'hoBBBrse', 'fish', 'snake']

列表 B 是：

B = ['XXX', 'BBB']

我如何获得列表 C：

C = [ 'cat', 'monkey', 'fish', 'snake']

我尝试过各种正则表达式和列表推导的组合，但我似乎无法让它发挥作用。

Answer 1

>>> A = [ 'cat', 'doXXXg', 'monkey', 'hoBBBrse', 'fish', 'snake']
>>> B = ['XXX', 'BBB']

下面的列表理解将起作用

>>> [word for word in A if not any(bad in word for bad in B)]
['cat', 'monkey', 'fish', 'snake']

Answer 2

您可以将黑名单加入到一个表达式中：

import re

blacklist = re.compile('|'.join([re.escape(word) for word in B]))

然后过滤掉匹配的单词：

C = [word for word in A if not blacklist.search(word)]

模式中的单词被转义（因此. 和其他元字符不被视为这样，而是被视为文字字符），并加入一系列| 替代项：

>>> '|'.join([re.escape(word) for word in B])
'XXX|BBB'

演示：

>>> import re
>>> A = [ 'cat', 'doXXXg', 'monkey', 'hoBBBrse', 'fish', 'snake']
>>> B = ['XXX', 'BBB']
>>> blacklist = re.compile('|'.join([re.escape(word) for word in B]))
>>> [word for word in A if not blacklist.search(word)]
['cat', 'monkey', 'fish', 'snake']

这应该优于任何显式成员资格测试，尤其是随着黑名单中单词数量的增加：

>>> import string, random, timeit
>>> def regex_filter(words, blacklist):
...     [word for word in A if not blacklist.search(word)]
... 
>>> def any_filter(words, blacklist):
...     [word for word in A if not any(bad in word for bad in B)]
... 
>>> words = [''.join([random.choice(string.letters) for _ in range(random.randint(3, 20))])
...          for _ in range(1000)]
>>> blacklist = [''.join([random.choice(string.letters) for _ in range(random.randint(2, 5))])
...              for _ in range(10)]
>>> timeit.timeit('any_filter(words, blacklist)', 'from __main__ import any_filter, words, blacklist', number=100000)
0.36232495307922363
>>> timeit.timeit('regex_filter(words, blacklist)', "from __main__ import re, regex_filter, words, blacklist; blacklist = re.compile('|'.join([re.escape(word) for word in blacklist]))", number=100000)
0.2499098777770996

上面测试了 10 个随机列入黑名单的短词（2 - 5 个字符）与 1000 个随机词（3 - 20 个字符长）的列表，正则表达式的速度大约快 50%。