在Python中仅从混合字符串中提取单词[重复]

Question

我正在做一个主题建模任务，并且有以下形式的未知主题

 topic = 0.2*"firstword" + 0.2*"secondword" + 0.2*"thirdword" + 0.2*"fourthword" + 0.2*"fifthword"

我想要一个 regex.findall() 函数返回一个仅包含单词的列表，例如：

['firstword', 'secondword', 'thirdword', 'fourthword', 'fifthword']

我尝试过使用正则表达式函数：

regex.findall(r'\w+', topic)  and 
regex.findall(r'\D\w+', topic)

但它们都不能正确消除数字。 有人可以帮我找出我做错了什么吗？

Answer 1

如果topic 是字符串

topic = '0.2*"firstword" + 0.2*"secondword" + 0.2*"thirdword" + 0.2*"fourthword" + 0.2*"fifthword"'

那么下面的正则表达式会返回你所需要的

re.findall('"(.*?)"', topic)

它查找包含在双引号 (") 中的所有字符串

Answer 2

你可以尝试两种方式：

第一个更简单的方法是遍历字符串并只保留这样的字母：

''.join(letter for letter in topic if letter.isalpha())

否则你可以像这样使用正则表达式：

re.sub('[^a-zA-Z]+', '', topic)

这个表达式只保留字母 il 小写和大写。

Answer 3

我自己也遇到过这个问题。我的解决方案是：

    import re

    def extract_tokens_from_topic(self, raw_topic):            
        raw_topic_string = raw_topic.__str__() # convert list to string
        return re.findall(r"'(.*?)'", raw_topic_string)

raw_topic 来自raw_topic = lda_model.show_topic(topic_no)

Answer 4

这是一种方法：

>>> import re

>>> topic = "0.2*firstword" + "0.2*secondword" + "0.2*thirdword" + "0.2*fourthword" + "0.2*fifthword"

>>> re.sub(r'[ˆ\d]\W',' ', topic).strip().split()
>>> ['firstword', 'secondword', 'thirdword', 'fourthword', 'fifthword']