def de_punctuate(xs):
return re.findall(r"[\w']+(?:-[\w']+)*", xs)
numbers = partial(re.search, r'[0,9]')
def no_numbers(xs):
return filterfalse(numbers, xs)
def string2filter(xs):
return no_numbers(de_punctuate(xs))
for d in data:
print(d)
print(list(string2filter(d)))
出力:
Nordmann brukte mobilen i ett døgn i Afrika - må ut med 137.000 kroner
['Nordmann', 'brukte', 'mobilen', 'i', 'ett', 'døgn', 'i', 'Afrika', 'må', 'ut', 'med', '137', 'kroner']
400.000 japanere evakueres fra flom
['japanere', 'evakueres', 'fra', 'flom']
Utvist i 2009 - nå siktet for overfallsvoldtekt i 2011
['Utvist', 'i', 'nå', 'siktet', 'for', 'overfallsvoldtekt', 'i']
Selvmordsangrep mot afghansk bryllupsfest - Minst 22 drepte
['Selvmordsangrep', 'mot', 'afghansk', 'bryllupsfest', 'Minst', '22', 'drepte']
数値に関して出力が一貫していない理由について混乱しています。あるべきではありません。場合によってはこれが正しい場合もありますが、他の場合はまだそこにあります。出力 1 と 4 を参照してください。
何か案は?
word
次のようなエラーがある場合に備えて、それぞれをテストしたい:this3
最初の再式に数値検索を含めて、二重パスを実行する必要がないようにすることはできますか?
答えは次のとおりです。
def stripsplit(xs):
""" return a list, excluding numbers and punctuation (except joining hyphens) """
return re.findall(r"[a-zA-ZåøæÅØÆ']+(?:-[a-zA-ZåøæÅØÆ']+)*", xs)