python-正則表達式不使用字符串替換字符串中的單詞列表

Question

有人幫我解決這個問題。 地址字段中的一些復雜模式。 一些用戶在街道名稱字段中輸入街道名稱和郊區名稱。 需要清潔它們。 但是由於兩種情況，清理工作變得很棘手-

1. 街道名稱和郊區名稱有時相同
2. 多字郊區名稱，中間有空格。

例子：-

df1

Street_Name
Point Chevalier Road Point Che
Point Chevalier Road Point Ch
Point Chevalier Road Point Cheval
Point Chevalier Road Point Chevalier
Kings Road Point Chevalier
Point Chevalier

此處的邏輯是，如果有多個匹配單詞，則僅刪除第二個匹配單詞。 如果只有一個匹配項，但前面有其他單詞，則該名稱應為“道路或街道名稱+郊區名稱”，因此請從中刪除郊區名稱。 如果字段中只有匹配的單詞，則保持原樣。

輸出應該是

Street_Name
Point Chevalier Road
Point Chevalier Road
Point Chevalier Road
Point Chevalier Road
Kings Road
Point Chevalier

我們可以在停用詞列表中獲得郊區名稱的所有可能性。 像這樣

stopwords = ['point c','point ch','point che','point chev','point cheva','point cheval','point chevali','point chevalie','point chevalier']

編輯：

這是我嘗試過的方法，但無濟於事:(

def remove_if_suburb_name(s):
    stopwords = ('point c','point ch','point che','point chev','point cheva','point cheval',
                'point chevali','point chevalie')
    for word in stopwords:
        m = re.sub(r'\b'+ word + r'\b','', s.lower(), count = 2)
        return m

test['new_street_name'] = test['Street_Name'].apply(lambda x: remove_if_suburb_name(x) if pd.notnull(x) else x)

Answer 1

您可以嘗試以下正則表達式：

(.*)(point\s+c\w+)(.*)point\s+c\w+(.*)|(.+)\bpoint\s+c\w+(.*)

並替換為：

\1\2\3\4\5\6

正則表達式演示

樣本來源：（ 在此處運行 ）

import re
regex = r"(.*)(point\s+c\w+)(.*)point\s+c\w+(.*)|(.+)\bpoint\s+c\w+(.*)"
test_str = ("Street_Name\n"
    "Point Chevalier Road Point Cheva\n"
    "Point chevalier Road Point Chev\n"
    "Point Chevalier Road Point Cheval\n"
    "Point Chevalier Road Point Chevali\n"
    "Kings Road Point Chevalier\n"
    "Point Chevalier")

subst = "\\1\\2\\3\\4\\5\\6"
result = re.sub(regex, subst, test_str, 0, re.IGNORECASE | re.MULTILINE)
if result:
    print (result)

更新：

您應該構造一個字典，並應用上述正則表達式，然后從字典中獲取停止點並進行轉換...我認為這對所有人來說都是更加可行和易於理解的。 因此，您需要做的是將變量放在上述正則表達式中的point \\ s + c \\ w +處，並從停用詞詞典中獲取數據

Answer 2

我不會在邏輯行的開頭搜索“ c點”。

import re


string = '''
Street_Name
Point Chevalier Road Point Che
Point Chevalier Road Point Ch
Point Chevalier Road Point Cheval
Point Chevalier Road Point Chevalier
Kings Road Point Chevalier
Point Chevalier
'''


def remove_if_suburb_name(data, suburb_startswith):
    return re.sub(r'(?<!^) {}.*'.format(suburb_startswith), '', data, flags=re.MULTILINE)


print(remove_if_suburb_name(data=string, suburb_startswith="Point C"))

# Street_Name
# Point Chevalier Road
# Point Chevalier Road
# Point Chevalier Road
# Point Chevalier Road
# Kings Road
# Point Chevalier

Regex101演示