Question

我有一个包含各种公司名称的数据框，我需要能够对它们执行groupby功能。然而，公司名称通常是律师事务所，可以通过各种不同的方式呈现（即＃34; Akin Gump＆＃34;，＆＃34; Akin，Gump＆＃34;，＆＃34; Akin， Gump＆＃34;，＆＃34; Akin Gump Strauss Hauer＆amp; Feld LLP＆＃34;，＆＃34; Akin Gump Strauss Hauer Feld＆＃34;，你明白了。

我目前的代码在大多数情况下效果很好，除非原始文本中的间距错误 - 例如＆＃34; Akin，Gump＆＃34; （成为＆＃34; AkinGump＆＃34;）或＆＃34; Akin Gump Strauss Hauer＆amp; Feld LLP＆＃34;成为＆＃34; Akin Gump Strauss Hauer Feld＆＃34; （Hauer和Feld之间的两个空间）。

table = string.maketrans("", "")
company_name = company_name.translate(table, string.punctuation)
stopwords = ['LLC', 'INC', 'PLLC', 'LP', 'LTD', 'PLC', 'LLP']
company_name = ' '.join(filter(lambda x: x not in stopwords, company_name.split()))

我认为有一个正则表达式解决方案，但我根本不擅长。

Answer 1

我使用正则表达式进行第一次直通来纠正有问题的字符，这样他们就不会在代码的其余部分引起问题：

import re

re.sub(" *[&,] *"," ", company_name) #Add any other special characters you might want

这将只用一个空格替换任何特殊字符及其周围的所有空格，这意味着它将成功完成其余代码而不会出现问题。

Python正则表达式剥离带条件的标点符号

1 个答案: