python - 从字符串中删除 r n r n

Question

我想从此字符串中删除多余的 r 和 n。我尝试了正则表达式。不确定正则表达式或其他方法在这里是否有帮助。

这是我尝试使用 import re 的代码

text = "r n r n r nFamily Medical History new r n  r n r r r  Roger nRobert n nDawson n49 nyears old , right shoulder"

regex_pattern = re.compile(r'\s[rn]\s')
matches = regex_pattern.findall(text)
for match in matches:
    text = text.replace(match," ")
print(text)

当前输出:

r nFamily Medical History new   Roger nRobert nDawson n49 nyears old , right shoulder 

我们仍然看到很多r n。还想知道如何从 n49、nyears 中删除“n”并从 Dawson 中删除第一个“n”而不删除最后一个“n”

预期输出:

Family Medical History new Roger Robert Dawson 49 years old , right shoulder

Answer 1

我建议在这里使用一些 NLP 方法，因为我不明白正则表达式如何告诉 nyears (拼写错误)来自new (正确拼写)。

首先，删除所有独立的 r/n以及那些粘在大写单词和数字上的单词，然后拆分字符串并检查以 n 开头的每个单词。或r使用拼写检查器。第一个n如果 word[1:] 则可以删除是正确的并且 word不是。如果两者都不正确，我认为回退到 word 是安全的。 .

例如，要运行拼写检查，您可以使用 TextBlob .

这是一个Python代码演示:

from textblob import TextBlob
from textblob import Word
import re

s = "r n r n r nFamily Medical History new r n  r n r r r  Roger nRobert n nDawson n49 nyears old , right shoulder"
s = re.sub(r'\b[rn](?=[A-Z0-9\s]|$)', '', s)
result = []
for w in s.split():
  if not w.startswith(('n','r')): # The w word does not start with n or r...
    result.append(w)              # Add it to the result
  else:
    if Word(w).correct() == w:    # If w is a correct word
      result.append(w)            # Add it to the result
    else:
      if Word(w[1:]).correct() == w[1:]: # If w[1:] is correct 
        result.append(w[1:])             # Add w[1:] to the result
      else:
        result.append(w)                 # Fallback: add w to the result
print(" ".join(result))
# => Family Medical History new Roger Robert Dawson 49 years old , right shoulder

re.sub(r'\b[rn](?=[A-Z0-9\s]|$)', '', s)部分删除 r和n如果紧跟大写字母、数字或字符串结尾，则位于单词开头。

然后，for w in s.split():迭代句子中的单词并仅替换以 n 开头的单词或r并且有拼写错误 w[1:] .

免责声明:TextBlob被用作示例。您可以自由使用任何其他拼写检查库。 TextBlob spellchecking “基于 Peter Norvig 的“如何编写拼写校正器”1，并在模式库中实现。准确率约为 70%”