Question

我正在尝试编写一个正则表达式来标准化名称。

用例：

J. J. Abrams -> JJ Abrams
J J Abrams -> JJ Abrams
J.J Abrams -> JJ Abrams
J.J. Abrams -> JJ Abrams
J J  Abrams -> JJ Abrams (multiple spaces)

首字母可以出现在名称的末尾或中间。通常，首字母可以有空格或'。'或者在它之前或之后的单词边界。

所以我想出了以下内容：

p = re.compile(r'((\b|\s+|\.)[a-z](\.|\s+|\b))', re.I)

当我尝试匹配并打印结果时，它看起来不对：

p.subn(lambda g: g.groups()[0].strip().strip('.'), "J J Abrams")
('JJAbrams', 2)

如何在非初始部分之前（或之后）保留空间？

修改此外，我应该说清楚，名称中不能只有2个首字母。以上只是一个随机用例。感谢

Answer 1

对于给出的案例，替换

(?<=\b[A-Z]\b)[. ]+(?=[A-Z]\b)|\.|(\s)\s+

与

$1

应该这样做。

使用交替，在首字母，点之间或多于一个空格之间匹配空格和点。后者抓住了第一个空间。

用$1替换它会从前两个替换中删除匹配，在第三种情况下（几个空格）用一个替换它们（第一个被捕获）。

See it here at regex101

Answer 2

我认为你可以通过使用正则表达式分两步完成：

第1步：

正则表达式：

 +|\. *

和替换（单个空格）

step 1 demo

第2步：

正则表达式：

\b([a-z]) ([a-z])\b

替换：\1\2

step 2 demo

通过组合你拥有的一切：

输入文件：

$ cat names
J. J. Abrams
J J Abrams
J.J Abrams
J.J. Abrams
J J  Abrams
J  Abrams J.
Abrams J. J.
Abrams J J

python代码：

$ cat names_norm.py 
import re
import sys

with open("names") as file:
        for line in file:
                line = re.sub(r" +|\. *", " ", line)
                line = re.sub(r"\b([a-zA-Z]) ([a-zA-Z])\b", "\g<1>\g<2>", line)
                sys.stdout.write(line)
sys.stdout.flush()

<强>输出：

$ python names_norm.py                                                                                                           
JJ Abrams
JJ Abrams
JJ Abrams
JJ Abrams
JJ Abrams
J Abrams J 
Abrams JJ 
Abrams JJ

Answer 3

使用：

re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)

<强>代码：

>>> s = 'J. J. Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J J Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J.J Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J.J.  Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J J      Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

Answer 4

您可以尝试查找所有连续字母并使用以下格式打印：

is_array

结果：

import re
if __name__=='__main__': 
    names = ["J. J. Abrams", "J J Abrams", "J.J Abrams", "J.J. Abrams", "J J  Abrams", "J J J  Abrams"]
    for name in names:
        res = re.findall("([a-z]+)", name, re.I)       #Find all continuous alphabets
        res.insert(len(res)-1, " ").                   #Insert <space> at second last position 
        print("res : %s" % ("".join(map(str, res))))   #Join and display list which is formatted

Answer 5

因为您只想过滤掉“。”我建议只使用标准的字符串方法。

将所有点字符替换为一个空格。
遍历由空格分隔的所有子串 - 每个都被剥离来自前导和尾随空格
将一个前导空格和一个尾随空格添加到比一个字符长的元素。
再次将部件放回原位。
从前导和尾随空格字符中删除整个字符串。

为了您的愉快，我把它写成一个完全不可读的单行。

names = ['J. R. R. Tolkien',  # "." and " "
         'Abrams  J J',       # " "
         'J.J Abrams',        # "." inbetween
         'J.R.R. Tolkien',    # "."
         'J R.R Tolkien']     # mixed

for name in names :
    name = "".join([(" {} ".format(elem)) if len(elem)>1 else elem for elem in name.replace('.', ' ').split()]).strip()

    print name

这导致了这个输出。

JRR Tolkien
Abrams JJ
JJ Abrams
JRR Tolkien
JRR Tolkien

修改

@ClasG的解决方案也可能不可读。但我的解决方案甚至需要两倍的时间进行计算。

Elapsed time, mean value: 6.92432632016e-06 Elapsed time, mean value: 1.5598555044e-05

用于名称标准化的

5 个答案: