使用正则表达式清洗电子表格

Question

我想删除以下每个条目中的所有统计信息：

#ChangeColumnFullTimeGraduatesEmployedAtGraduation:74.3%    #ChangeColumnAverageStartingSalaryAndBonus:$134,360 3.4 #ChangeColumnFullTimeGraduatesEmployedThreeMonthsAfterGraduation:81.4%  #ChangeColumnPeerAssessmentScoreOutOf5.:4.3
#ChangeColumnFullTimeGraduatesEmployedAtGraduation:82.0%    #ChangeColumnAverageStartingSalaryAndBonus:$127,368 3.29    #ChangeColumnFullTimeGraduatesEmployedThreeMonthsAfterGraduation:89.8%  #ChangeColumnPeerAssessmentScoreOutOf5.:4.1
#ChangeColumnFullTimeGraduatesEmployedAtGraduation:80.7%    #ChangeColumnAverageStartingSalaryAndBonus:$123,177 3.4 #ChangeColumnFullTimeGraduatesEmployedThreeMonthsAfterGraduation:92.5%  #ChangeColumnPeerAssessmentScoreOutOf5.:4.0

我一直在尝试使用正则表达式（regex）。 基于所需的最终输出由不超过一个数字百分号/ $号组成的事实，这就是我拼凑的内容：

import re
import csv

with(open('sheet.csv','rU')) as f:

    for row in f:
        re.sub([^0-9\$\%],'',row)

返回以下语法错误：

re.sub([^0-9\$\%],'',row)

Answer 1

正则表达式是从字符串中解析出来的，使用字符串作为re.sub的参数，即

>>> re.sub(r'[^0-9\$\%]','',row)

或者您可能想拆分：

>>> [c for c in re.split(r'[^0-9\$\%\.]',row) if c]
['74.3%', '$134', '360', '3.4', '81.4%', '5.', '4.3']

实际上，它仍然不正确，因为列标签中有数字。 如果您的输入看起来完全像您的示例，则类似的方法可能会更好：

re.split(r'#[^:]+:|[ ,]',row)
'74.3%', '$134', '360', '3.4', '81.4%', '4.3'