Лучший способ снять пунктуацию со строки

639

Кажется, что должен быть более простой способ, чем:

import string
s = "string. With. Punctuation?" # Sample string 
out = s.translate(string.maketrans("",""), string.punctuation)

Есть?

Лоуренс Джонстон
источник
3
Кажется довольно простым для меня. Почему вы хотите изменить это? Если вы хотите, чтобы это было проще, просто оберните то, что вы только что написали в функцию.
Ханнес Оврен
2
Что ж, это просто казалось хакерским, когда я использовал побочный эффект от str.translate для выполнения работы. Я думал, что может быть что-то более похожее на str.strip (символы), которые работают на всей строке, а не только на границах, которые я пропустил.
Лоуренс Джонстон
2
Зависит от данных тоже. Использование этого в данных, где есть имена серверов с подчеркиванием в качестве части имени (довольно часто встречается в некоторых местах), может быть плохим. Просто убедитесь, что вы знаете данные и что они содержат, иначе вы можете столкнуться с подмножеством проблем.
EBGreen
54
Зависит также от того, что вы называете пунктуацией. " The temperature in the O'Reilly & Arbuthnot-Smythe server's main rack is 40.5 degrees." содержит ровно один знак пунктуации, второй "."
Джон Мачин
37
Я удивлен, что никто не упомянул, что string.punctuationвообще не включает неанглийскую пунктуацию. Я думаю о。 ,!? : × «» and и так далее.
Климент

Ответы:

930

С точки зрения эффективности, вы не будете бить

s.translate(None, string.punctuation)

Для более поздних версий Python используйте следующий код:

s.translate(str.maketrans('', '', string.punctuation))

Он выполняет необработанные строковые операции в C с помощью таблицы поиска - не так много, что может побить это, кроме написания собственного кода на C.

Если скорость не беспокоит, другой вариант:

exclude = set(string.punctuation)
s = ''.join(ch for ch in s if ch not in exclude)

Это быстрее, чем s.replace с каждым символом, но не будет работать так же, как и не чистые подходы Python, такие как регулярные выражения или string.translate, как вы можете видеть из приведенного ниже времени. Для такого типа проблем окупаемость на минимально возможном уровне.

Сроки код:

import re, string, timeit

s = "string. With. Punctuation"
exclude = set(string.punctuation)
table = string.maketrans("","")
regex = re.compile('[%s]' % re.escape(string.punctuation))

def test_set(s):
    return ''.join(ch for ch in s if ch not in exclude)

def test_re(s):  # From Vinko's solution, with fix.
    return regex.sub('', s)

def test_trans(s):
    return s.translate(table, string.punctuation)

def test_repl(s):  # From S.Lott's solution
    for c in string.punctuation:
        s=s.replace(c,"")
    return s

print "sets      :",timeit.Timer('f(s)', 'from __main__ import s,test_set as f').timeit(1000000)
print "regex     :",timeit.Timer('f(s)', 'from __main__ import s,test_re as f').timeit(1000000)
print "translate :",timeit.Timer('f(s)', 'from __main__ import s,test_trans as f').timeit(1000000)
print "replace   :",timeit.Timer('f(s)', 'from __main__ import s,test_repl as f').timeit(1000000)

Это дает следующие результаты:

sets      : 19.8566138744
regex     : 6.86155414581
translate : 2.12455511093
replace   : 28.4436721802
Брайан
источник
27
Спасибо за информацию о времени, я думал о том, чтобы сделать что-то подобное сам, но твое написано лучше, чем все, что я бы сделал, и теперь я могу использовать его как шаблон для любого будущего кода времени, который я хочу написать :).
Лоуренс Джонстон
29
Отличный ответ. Вы можете упростить это, удалив таблицу. В документах говорится: «установите для аргумента таблицы значение Нет для переводов, которые удаляют только символы» ( docs.python.org/library/stdtypes.html#str.translate )
Александрос Маринос
3
Стоит также отметить, что translate () ведет себя по-разному для объектов str и unicode, поэтому вы должны быть уверены, что вы всегда работаете с одним и тем же типом данных, но подход в этом ответе одинаково хорошо работает для обоих, что удобно.
Ричард Джей
36
В Python3 table = string.maketrans("","")следует заменить на table = str.maketrans({key: None for key in string.punctuation})?
SparkAndShine
19
Обновление обсуждения, начиная с Python 3.6, regexтеперь является наиболее эффективным методом! Это почти в 2 раза быстрее, чем перевод. Кроме того, наборы и замена больше не так уж плохи! Они оба улучшены более чем в 4 раза :)
Райан Сокласки
143

Регулярные выражения достаточно просты, если вы их знаете.

import re
s = "string. With. Punctuation?"
s = re.sub(r'[^\w\s]','',s)
Эратосфен
источник
4
Объяснение @Outlier: заменяет не (^) символы или пробелы слова пустой строкой. Будьте осторожны, хотя \ w совпадения, например, тоже подчеркивают.
Матиас
4
@SIslam Я думаю , что он будет работать с юникодом с установленным флагом юникода, то есть s = re.sub(r'[^\w\s]','',s, re.UNICODE). Тестируя его с python 3 на linux, он работает даже без флага, использующего тамильские буквы, தமிழ்.
Матиас
@Matthias Я пробовал код с Python 3.6.5 на Mac, вывод тамильских букв выглядит немного иначе, ввод input становится தமழ. Я не знаю о тамильском, не уверен, что это ожидается.
Shiouming
71

Для удобства использования я суммирую примечание о чередовании знаков препинания в строке как в Python 2, так и в Python 3. Пожалуйста, обратитесь к другим ответам для подробного описания.


Python 2

import string

s = "string. With. Punctuation?"
table = string.maketrans("","")
new_s = s.translate(table, string.punctuation)      # Output: string without punctuation

Python 3

import string

s = "string. With. Punctuation?"
table = str.maketrans(dict.fromkeys(string.punctuation))  # OR {key: None for key in string.punctuation}
new_s = s.translate(table)                          # Output: string without punctuation
SparkAndShine
источник
51
myString.translate(None, string.punctuation)
pyrou
источник
4
ах, я попробовал это, но это работает не во всех случаях. myString.translate (string.maketrans ("", ""), string.punctuation) работает нормально.
Эйдан Кейн
12
Обратите внимание, что strв Python 3 и unicodeв Python 2 deletecharsаргумент не поддерживается.
agf
4
myString.translate (string.maketrans ("", ""), string.punctuation) НЕ будет работать со строками Юникода (выяснил трудный путь)
Марк Максмейстер,
44
TypeError: translate() takes exactly one argument (2 given):(
Брайан Тингл
3
@BrianTingle: посмотрите на код Python 3 в моем комментарии (он передает один аргумент). Перейдите по ссылке, чтобы увидеть код Python 2, который работает с юникодом, и его адаптацию к Python 3
jfs
29

Я обычно использую что-то вроде этого:

>>> s = "string. With. Punctuation?" # Sample string
>>> import string
>>> for c in string.punctuation:
...     s= s.replace(c,"")
...
>>> s
'string With Punctuation'
С. Лотт
источник
2
Обезображенный Однострочник: reduce(lambda s,c: s.replace(c, ''), string.punctuation, s).
JFS
1
отлично, однако не удаляет некоторые знаки препинания, такие как более длинные
дефисы
25

string.punctuationтолько ASCII ! Более правильным (но также и гораздо более медленным) способом является использование модуля unicodedata:

# -*- coding: utf-8 -*-
from unicodedata import category
s = u'String — with -  «punctation »...'
s = ''.join(ch for ch in s if category(ch)[0] != 'P')
print 'stripped', s

Вы можете обобщать и обрезать символы других типов:

''.join(ch for ch in s if category(ch)[0] not in 'SP')

Он также удалит такие символы, ~*+§$которые могут быть или не быть пунктуацией в зависимости от вашей точки зрения.

Бьорн Линдквист
источник
3
Вы могли бы:regex.sub(ur"\p{P}+", "", text)
JFS
К сожалению, подобные вещи ~не входят в категорию знаков препинания. Вам также необходимо проверить категорию «Символы».
CJ Джексон
24

Не обязательно проще, но по-другому, если вы больше знакомы с семьей.

import re, string
s = "string. With. Punctuation?" # Sample string 
out = re.sub('[%s]' % re.escape(string.punctuation), '', s)
Винко Врсалович
источник
1
Работает, потому что string.punctuation имеет последовательность, -. в правильном, восходящем, без пробелов, ASCII порядке. В то время как Python имеет это право, когда вы пытаетесь использовать подмножество string.punctuation, из-за неожиданного «-» это может быть остановкой шоу.
S.Lott
2
На самом деле, это все еще не так. Последовательность "\]" обрабатывается как escape (по совпадению, не закрывая) и обходя другой сбой), но оставляет \ unescaped. Вы должны использовать re.escape (string.punctuation), чтобы предотвратить это.
Брайан
1
Да, я пропустил это, потому что это помогло в примере, чтобы все было просто, но вы правы, что это должно быть включено.
Винко Врсалович
13

Для значений Python 3 strили Python 2 требуется только словарь; кодовые точки (целые числа) ищутся в этом отображении, и все сопоставленное удаляется.unicodestr.translate()None

Чтобы удалить (некоторые?) Знаки препинания, используйте:

import string

remove_punct_map = dict.fromkeys(map(ord, string.punctuation))
s.translate(remove_punct_map)

Метод dict.fromkeys()класса упрощает создание сопоставления, устанавливая все значения на Noneоснове последовательности ключей.

Чтобы удалить все знаки препинания, а не только знаки препинания ASCII, ваш стол должен быть немного больше; см . ответ Дж.Ф. Себастьяна (версия Python 3):

import unicodedata
import sys

remove_punct_map = dict.fromkeys(i for i in range(sys.maxunicode)
                                 if unicodedata.category(chr(i)).startswith('P'))
Мартейн Питерс
источник
Для поддержки Unicode string.punctuationнедостаточно. Смотрите мой ответ
JFS
@JFSebastian: на самом деле, мой ответ состоял в том, чтобы использовать те же символы, что и у лучших. Добавлена ​​версия Python 3 вашей таблицы.
Мартин Питерс
Ответ с наибольшим количеством голосов работает только для строк ascii. Ваш ответ требует явной поддержки Unicode.
Jfs
1
@JFSebastian: это работает для строк Unicode. Это лишает ASCII пунктуацию. Я никогда не утверждал, что это лишает всех знаков препинания. :-) Суть в том, чтобы обеспечить правильную технику для unicodeобъектов против объектов Python 2 str.
Мартин Питерс
12

string.punctuationпропускает множество знаков препинания, которые обычно используются в реальном мире. Как насчет решения, которое работает для пунктуации без ASCII?

import regex
s = u"string. With. Some・Really Weird、Non?ASCII。 「(Punctuation)」?"
remove = regex.compile(ur'[\p{C}|\p{M}|\p{P}|\p{S}|\p{Z}]+', regex.UNICODE)
remove.sub(u" ", s).strip()

Лично я считаю, что это лучший способ удалить пунктуацию из строки в Python, потому что:

  • Удаляет все знаки препинания Unicode
  • Это легко изменить, например, вы можете \{S}удалить пунктуацию, если вы хотите удалить знаки препинания, но оставить символы как $.
  • Вы можете точно определить, что вы хотите сохранить и что вы хотите удалить, например \{Pd}, удалит только тире.
  • Это регулярное выражение также нормализует пробелы. Он отображает вкладки, возврат каретки и другие странности в красивые, одиночные пробелы.

При этом используются свойства символов Unicode, о которых вы можете прочитать подробнее в Википедии .

Zach
источник
9

Я еще не видел этот ответ. Просто используйте регулярное выражение; он удаляет все символы, кроме слов символов ( \w) и чисел ( \d), за которыми следует символ пробела ( \s):

import re
s = "string. With. Punctuation?" # Sample string 
out = re.sub(ur'[^\w\d\s]+', '', s)
Blairg23
источник
1
\dявляется избыточным, так как это подмножество \w.
blhsing
Числовые символы считаются подмножеством символов Word? Я думал, что символ Word - это любой символ, который может создать реальное слово, например, a-zA-Z?
Blairg23
Да, «слово» в регулярном выражении включает в себя алфавиты, цифры и подчеркивание. Пожалуйста, смотрите описание для \wв документации: docs.python.org/3/library/re.html
blhsing
8

Вот одна строка для Python 3.5:

import string
"l*ots! o(f. p@u)n[c}t]u[a'ti\"on#$^?/".translate(str.maketrans({a:None for a in string.punctuation}))
Тим П
источник
7

Возможно, это не лучшее решение, но я так и сделал.

import string
f = lambda x: ''.join([i for i in x if i not in string.punctuation])
Дэвид Вуонг
источник
6

Вот функция, которую я написал. Это не очень эффективно, но это просто, и вы можете добавить или удалить любую пунктуацию по вашему желанию:

def stripPunc(wordList):
    """Strips punctuation from list of words"""
    puncList = [".",";",":","!","?","/","\\",",","#","@","$","&",")","(","\""]
    for punc in puncList:
        for word in wordList:
            wordList=[word.replace(punc,'') for word in wordList]
    return wordList
Dr.Tautology
источник
5
import re
s = "string. With. Punctuation?" # Sample string 
out = re.sub(r'[^a-zA-Z0-9\s]', '', s)
Хайтем Хадхаб
источник
Похоже, это будет работать только для символов ASCII.
Avirr
5

В качестве обновления я переписал пример @Brian в Python 3 и внес в него изменения, чтобы переместить шаг компиляции regex внутри функции. Я думал здесь о том, чтобы рассчитывать каждый шаг, необходимый для работы функции. Возможно, вы используете распределенные вычисления и не можете разделить объект regex между вашими работниками, и вам нужно иметь re.compileшаг к каждому работнику. Кроме того, мне было любопытно провести время двух разных реализаций макетранса для Python 3

table = str.maketrans({key: None for key in string.punctuation})

против

table = str.maketrans('', '', string.punctuation)

Кроме того, я добавил другой метод для использования set, в котором я использую функцию пересечения, чтобы уменьшить количество итераций.

Это полный код:

import re, string, timeit

s = "string. With. Punctuation"


def test_set(s):
    exclude = set(string.punctuation)
    return ''.join(ch for ch in s if ch not in exclude)


def test_set2(s):
    _punctuation = set(string.punctuation)
    for punct in set(s).intersection(_punctuation):
        s = s.replace(punct, ' ')
    return ' '.join(s.split())


def test_re(s):  # From Vinko's solution, with fix.
    regex = re.compile('[%s]' % re.escape(string.punctuation))
    return regex.sub('', s)


def test_trans(s):
    table = str.maketrans({key: None for key in string.punctuation})
    return s.translate(table)


def test_trans2(s):
    table = str.maketrans('', '', string.punctuation)
    return(s.translate(table))


def test_repl(s):  # From S.Lott's solution
    for c in string.punctuation:
        s=s.replace(c,"")
    return s


print("sets      :",timeit.Timer('f(s)', 'from __main__ import s,test_set as f').timeit(1000000))
print("sets2      :",timeit.Timer('f(s)', 'from __main__ import s,test_set2 as f').timeit(1000000))
print("regex     :",timeit.Timer('f(s)', 'from __main__ import s,test_re as f').timeit(1000000))
print("translate :",timeit.Timer('f(s)', 'from __main__ import s,test_trans as f').timeit(1000000))
print("translate2 :",timeit.Timer('f(s)', 'from __main__ import s,test_trans2 as f').timeit(1000000))
print("replace   :",timeit.Timer('f(s)', 'from __main__ import s,test_repl as f').timeit(1000000))

Это мои результаты:

sets      : 3.1830138750374317
sets2      : 2.189873124472797
regex     : 7.142953420989215
translate : 4.243278483860195
translate2 : 2.427158243022859
replace   : 4.579746678471565
krinker
источник
4
>>> s = "string. With. Punctuation?"
>>> s = re.sub(r'[^\w\s]','',s)
>>> re.split(r'\s*', s)


['string', 'With', 'Punctuation']
Пабло Родригес Берторелло
источник
2
Пожалуйста, отредактируйте с дополнительной информацией. Ответы «только код» и «попробуй это» не приветствуются, потому что они не содержат контента для поиска и не объясняют, почему кто-то должен «попробовать это».
Паритош
4

Вот решение без регулярных выражений.

import string

input_text = "!where??and!!or$$then:)"
punctuation_replacer = string.maketrans(string.punctuation, ' '*len(string.punctuation))    
print ' '.join(input_text.translate(punctuation_replacer).split()).strip()

Output>> where and or then
  • Заменяет знаки препинания с пробелами
  • Заменить несколько пробелов между словами одним пробелом
  • Удалите завершающие пробелы, если они есть, с помощью полосы ()
ngub05
источник
4

Однострочник может быть полезен в не очень строгих случаях:

''.join([c for c in s if c.isalnum() or c.isspace()])
Дом Грей
источник
2
#FIRST METHOD
#Storing all punctuations in a variable    
punctuation='!?,.:;"\')(_-'
newstring='' #Creating empty string
word=raw_input("Enter string: ")
for i in word:
     if(i not in punctuation):
                  newstring+=i
print "The string without punctuation is",newstring

#SECOND METHOD
word=raw_input("Enter string: ")
punctuation='!?,.:;"\')(_-'
newstring=word.translate(None,punctuation)
print "The string without punctuation is",newstring


#Output for both methods
Enter string: hello! welcome -to_python(programming.language)??,
The string without punctuation is: hello welcome topythonprogramminglanguage
Animeartistfromhell7
источник
2
with open('one.txt','r')as myFile:

    str1=myFile.read()

    print(str1)


    punctuation = ['(', ')', '?', ':', ';', ',', '.', '!', '/', '"', "'"] 

for i in punctuation:

        str1 = str1.replace(i," ") 
        myList=[]
        myList.extend(str1.split(" "))
print (str1) 
for i in myList:

    print(i,end='\n')
    print ("____________")
Исаяс Вакгари Келбесса
источник
0

Почему никто из вас не использует это?

 ''.join(filter(str.isalnum, s)) 

Слишком медленно?

Дехуа Ли
источник
Обратите внимание, что это также удалит пробелы.
Георгий
0

Учитывая юникод. Код проверен в python3.

from unicodedata import category
text = 'hi, how are you?'
text_without_punc = ''.join(ch for ch in text if not category(ch).startswith('P'))
Раджан Саха Раджу
источник
-1

Удалить стоп-слова из текстового файла с помощью Python

print('====THIS IS HOW TO REMOVE STOP WORS====')

with open('one.txt','r')as myFile:

    str1=myFile.read()

    stop_words ="not", "is", "it", "By","between","This","By","A","when","And","up","Then","was","by","It","If","can","an","he","This","or","And","a","i","it","am","at","on","in","of","to","is","so","too","my","the","and","but","are","very","here","even","from","them","then","than","this","that","though","be","But","these"

    myList=[]

    myList.extend(str1.split(" "))

    for i in myList:

        if i not in stop_words:

            print ("____________")

            print(i,end='\n')
Исаяс Вакгари Келбесса
источник
-2

Мне нравится использовать такую ​​функцию:

def scrub(abc):
    while abc[-1] is in list(string.punctuation):
        abc=abc[:-1]
    while abc[0] is in list(string.punctuation):
        abc=abc[1:]
    return abc
Дисковый гигант
источник
1
Это удаление символов с начала и до конца; используйте abc.strip(string.punctuation)вместо этого для этого. Это не удалит такие символы в середине .
Мартин Питерс