如何从句子中删除数字和长度低于 2 的单词？答案

【问题标题】：How can I remove numbers, and words with length below 2, from a sentence?如何从句子中删除数字和长度低于 2 的单词？
【发布时间】：2020-10-14 18:00:10
【问题描述】：

我正在尝试删除长度低于 2 的单词和任何数字单词。例如

 s = " This is a test 1212 test2"

想要的输出是

" This is test test2"

我试过\w{2,}，这会删除所有长度小于2的单词。当我添加\D+时，当我不想从test2中删除2时，这会删除所有数字。

【问题讨论】：

@P....这不会删除 1212。应该删除它，因为它是一个数字。我能够通过 \w{2,} 删除所有不超过 2 个单词的单词
什么是“词”？
@Maxt8r，单词是字母字符或可能包含数字字符的字母字符。比如测试。 test1, tes2 是单词，而 1 , 2, 0.2 0.4 不是单词
2 个字母的要求是连续的还是在“单词”内？
非正则表达式解决方案：" ".join([x for x in s.split() if not x.isdigit() and not (x == x[0] and x.isalpha())]) (demo)。只有尾随/前导空格会被删除。

标签： python regex

【解决方案1】：

你可以使用：

s = re.sub(r'\b(?:\d+|\w)\b\s*', '', s)

RegEx Demo

模式详情：

\b: 匹配单词边界
(?:\d+|\w)：匹配单个单词字符或1+位数
\b: 匹配单词边界
\s*: 匹配 0 个或多个空格

【讨论】：

将顺序更改为\d+|\w 可防止不必要的回溯。
非常好的点@ctwheels 我肯定错过了这个

【解决方案2】：

您可以利用工作边界'\b' 并删除边界内长度为 1 个字符的任何内容：数字或字母，无所谓。还要删除边界之间的任何数字：

import re

s = " This is a test 1212 test2"

print( re.sub(r"\b([^ ]|\d+)\b","",s))

输出：

 This is  test  test2

解释：

\b(           word boundary followed by a group
   [^ ]           anything that is not a space (1 character) 
       |              or
        \d+       any amount of numbers
)             followed by another boundary

被re.sub(pattern, replaceBy, source)替换为""。

【讨论】：

将顺序改为\d+|[^ ] 可以防止不必要的回溯。

【解决方案3】：

你可以这样做：

import re

s = " This is a test 1212 test2"

p = re.compile(r"(\b(\w{0,1})\b)|(\b(\d+)\b)")

result = p.sub('', s)

print(result)

输出：

" This is  test  test2"

我注意到您想要的输出不包含连续的空格。如果你想用一个替换连续的空格，你可以这样做：

p = re.compile(r"  +")
result = p.sub(' ', result)

输出：

" This is test test2"

(\b(\w{0,1})\b)该组匹配长度不超过1（包括）的单词

(\b(\d+)\b)这个组只匹配由数字组成的单词

| 管道表示“或”，因此该表达式将匹配组 1 或组 2

\b 是“单词边界”。通过用“\b”包围一些正则表达式，它将匹配“仅整个单词”

\w 它将匹配应该是单词一部分的 wharacters

\d+ 这意味着“至少一位数或更多”

请注意，\b 和 \w 将匹配的内容取决于您使用的正则表达式风格。

【讨论】：

{0,1} 可以替换为 ? - 更短更简洁。此外，更改顺序可以防止不必要的回溯。

【解决方案4】：

也许(?i)\b(?:\d+|[a-z])\b[ \t]*
https://regex101.com/r/bnS15k/1

做一些 wsp 修剪。

空白修剪对于这类事情可能更重要。
这个修改后的版本从两个方面都做到了。

只需使用
(?im)(?:([ \t])+\b(?:\d+|[a-z])\b[ \t]*[ \t]*|^\b(?:\d+|[a-z])\b[ \t]*[ \t]*())
用替换\1\2

https://regex101.com/r/gSswPe/1
从两侧剥离 wsp。

 (?im)
 (?:
    ( [ \t] )+           # (1)
    \b 
    (?: \d+ | [a-z] )
    \b [ \t]* [ \t]* 
  | 
    ^ \b 
    (?: \d+ | [a-z] )
    \b [ \t]* [ \t]* 
    ( )                  # (2)
 )

【讨论】：

【解决方案5】：

只需投入我的两分钱 - 你可以使用内置的字符串函数：

s = " This is a test 1212 test2"
result = " ".join(word for word in s.split() 
                  if len(word) >= 2 and not word.isdigit())
print(result)

这会产生

This is test test2

【讨论】：