删除标点符号（单词内的破折号除外）Python

Question

R中已经有一个接近的答案gsub("[^[:alnum:]['-]", " ", my_string)，但是在Python中不起作用：

my_string = 'compactified on a calabi-yau threefold @ ,.'
re.sub("[^[:alnum:]['-]", " ", my_string)

给 'compactified on a calab yau threefold @ ,.'

因此，它不仅删除了单词内的破折号，而且还删除了破折号之前单词的最后一个字母。而且它不会删除标点符号

预期结果（字符串，不带标点，但单词内用短划线表示）： 'compactified on a calabi-yau threefold'

Answer 1

R根据perl选项（或使用的功能）使用TRE（POSIX）或PCRE正则表达式引擎。Python使用经过修改的，比Perl更差的版本作为re库。Python不支持POSIX字符类，因为[:alnum:]它与alpha（字母）和num（数字）匹配。

在Python中，[:alnum:]可以用[^\W_]（或仅ASCII [a-zA-Z0-9]）替换，而取反[^[:alnum:]]-可以用[\W_]（[^a-zA-Z0-9]仅ASCII版本）替换。

所述[^[:alnum:]['-]匹配比字母数字之外的任何1个符号（字母或数字）， ，[，'或-。这意味着您引用的R问题不能提供正确的答案。

您可以使用以下解决方案：

import re
p = re.compile(r"(\b[-']\b)|[\W_]")
test_str = "No -  d'Ante compactified on a calabi-yau threefold @ ,."
result = p.sub(lambda m: (m.group(1) if m.group(1) else " "), test_str)
print(result)

在(\b[-']\b)|[\W_]正则表达式匹配和捕获intraword -和'我们在恢复它们re.sub通过检查捕获组匹配，并重新插入它m.group(1)，其余的（所有非字字符和下划线），只是用空格代替。

如果要删除一个空格的非单词字符序列，请使用

p = re.compile(r"(\b[-']\b)|[\W_]+")