Question

我有一堆推文和各种元数据，我想分析它们用于社会语言学目的。为了做到这一点，我试图通过他们在生物中提供的信息来推断用户的年龄。为此，我使用正则表达式来匹配用户生物中的一些重复模式，比如用户提到一个数字，然后是“岁月”的各种拼写，如：

“约翰，30岁，工程师。”

然而，我也想检查“岁月”之后的情况，因为很多人都提到了孩子的年龄，我不希望这与用户的年龄错误地联系在一起，如：

“约翰，12岁小孩的父亲，工程师”

因此，应忽略上述情况，以便我只能保留可以推断出有效年龄的用户。

我的程序如下：

import csv
import re

with open("test_corpus.csv") as corpus:
    corpus_read = csv.reader(corpus, delimiter=",")
    for row in corpus_read:
        if re.findall(r"\d{2}\s?(?=years old\s?|yo\s?|yr old\s?|y o\s?|yrs old\s?|year old\s?(?!son|daughter|kid|child))",row[5].lower()):
            age = re.findall(r"\d{2}\s?",row[5].lower())
            for i in age:
                print(i)

该程序似乎在某些情况下有效，但在我创建的小测试文件中试用它，它错误地匹配字符串“我有一个12岁的儿子”中提到的年龄，并返回12作为匹配的年龄，我不想要它。我猜这在程序中的某些方面与括号或分隔符有关，但是我花了几个小时就在它上面，我在论坛上找不到任何有用的东西，所以任何帮助都会受到赞赏。

因此，实际的问题是：根据我已有的程序，如何使程序不识别“John，12岁小孩的父亲，工程师”中的12作为用户的年龄？

我在编程方面有些新意，如果我忘记提及重要的事情，请道歉，如果您需要更多详细信息，请随时告诉我。

提前致谢！

Answer 1

好的，经过几天调整程序，最重要的是，四处询问，我已经能够解决问题了！我无法给出详细的解释，因为我不确定自己完全理解它，但问题似乎是代码中空格的位置。但是，如果有人有技术和适当的公式解释，请随时这样做。

无论如何，解决方案是：

import csv 
import re

with open("test_bio.csv") as corpus:
corpus_read = csv.reader(corpus, delimiter=",")
for row in corpus_read:
    if re.search(r"\d{2}\s?(?=(?:years old|yo|yr old|y o|yrs old|year old)(?!\s?son|\s?daughter|\s?kid|\s?child))" ,row[5].lower()):
        age2 = re.findall(r"\d{2}\s?",row[5].lower())
        for z in age2:
            print(z)

再次感谢您的帮助！

在Python 3中通过前瞻推断年龄

1 个答案: