Python 正则表达式删除小写字符之间的连字符

Question

我只需要删除小写字母之间的连字符。 这是我目前的表达方式：

re.sub('\[a-z]-\[a-z]', "", 'hyphen-ated Asia-Pacific 11-12')

我希望它返回：

'hyphenated Asia-Pacific 11-12'

Answer 1

两种方法，包括一些时间：

import re, timeit

def a1():
    s = re.sub(r'([a-z])-([a-z])', r'\1\2', "hyphen-ated Asia-Pacific 11-12")

def a2():
    s = re.sub(r'(?<=[a-z])-(?=[a-z])', '', "hyphen-ated Asia-Pacific 11-12")

print(timeit.timeit(a1, number = 10**5))
print(timeit.timeit(a2, number = 10**5))

产量

0.9709542730015528
0.37731508900105837

因此，在这种情况下，环视可能会更快。

Answer 2

TL;博士：

>>> re.sub('([a-z])-(?=[a-z])', r'\1', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

或者

>>> re.sub('(?<=[a-z])-(?=[a-z])', '', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

---

上下文替换的主要复杂性（“查找所有被小写字母包围的连字符”）是尾随上下文（要匹配的模式之后的部分）不能包含在匹配中。 如果是，它将无法参加下一场领先的比赛。

一个例子可能会更清楚。

天真的解决方案是

>>> re.sub('([a-z])-([a-z])', r'\1\2', 'hyphen-ated Asia-Pacific 11-12')
'hyphenated Asia-Pacific 11-12'

这与问题中的调用不同，因为它匹配连字符周围的小写字母，捕获它们以便可以将它们重新插入结果中。 在这种情况下，与模式匹配的唯一 substring 是na并且它被正确替换为na 。

但是假设我们有两个更靠近的连字符，如下所示：

>>> re.sub('([a-z])-([a-z])', r'\1\2', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obliga-tory hyphenated Asia-Pacific 11-12'

a是匹配ga的一部分，搜索在a之后的-处继续。 所以它从来没有在at看到过匹配的模式。

为了解决这个问题，我们可以使用前瞻断言：

>>> re.sub('([a-z])-(?=[a-z])', r'\1', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

现在尾随上下文（连字符后面的小写字母）不是匹配的一部分，因此我们不需要在替换中重新插入它。 这意味着在将g-与尾随a匹配后，搜索将从a开始，下一个匹配将是a-与尾随t 。

Python 也可以做“lookbehinds”，其中一个模式只有在另一个模式之前才匹配。 使用lookbehind和lookahead，我们可以这样写：

>>> re.sub('(?<=[a-z])-(?=[a-z])', '', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

这也产生了正确的答案。 现在我们只是匹配连字符，但坚持在它之前和之后是一个小写字母。 由于匹配只是连字符，因此替换字符串可以为空。

有时使用像这样的lookbehind可以加快匹配速度。 有时它会减慢它的速度。 如果速度对您很重要，那么使用特定模式进行基准测试总是值得的。 但首要任务是正确匹配。

Answer 3

re.sub(r'([a-z])-([a-z])', r'\1\2', "hyphen-ated Asia-Pacific 11-12")

捕获连字符前后的字母，并在剥离连字符时保留它们。 \1和\2表示第一个和第二个捕获的组，在这种情况下是字母。

您当前的代码匹配连字符周围的两个字母并删除整个匹配项。 替换时应保留字母。