Beste Methode zum Entfernen von Interpunktionszeichen aus einer Zeichenkette

Question

Es scheint einen einfacheren Weg zu geben als:

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

Gibt es eine?

Answer 1

Nicht unbedingt einfacher, aber ein anderer Weg, wenn Sie mit der Re-Familie besser vertraut sind.

import re, string
s = "string. With. Punctuation?" # Sample string 
out = re.sub('[%s]' % re.escape(string.punctuation), '', s)

Answer 2

Normalerweise verwende ich etwas in der Art:

>>> s = "string. With. Punctuation?" # Sample string
>>> import string
>>> for c in string.punctuation:
...     s= s.replace(c,"")
...
>>> s
'string With Punctuation'

Answer 3

Für Python 3 str oder Python 2 unicode Werte, str.translate() benötigt nur ein Wörterbuch; Codepoints (ganze Zahlen) werden in dieser Zuordnung nachgeschlagen und alles, was auf None entfernt wird.

Um dann (einige?) Satzzeichen zu entfernen, verwenden Sie:

import string

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

Die dict.fromkeys() Klassenmethode macht es trivial, die Zuordnung zu erstellen, indem alle Werte auf None basierend auf der Reihenfolge der Schlüssel.

Zum Entfernen todo Zeichensetzung, nicht nur ASCII-Zeichensetzung, muss die Tabelle etwas größer sein; siehe J.F. Sebastians Antwort (Python 3-Version):

import unicodedata
import sys

remove_punct_map = dict.fromkeys(i for i in range(sys.maxunicode)
                                 if unicodedata.category(chr(i)).startswith('P'))

Answer 4

string.punctuation lässt eine Menge Satzzeichen vermissen, die in der realen Welt häufig verwendet werden. Wie wäre es mit einer Lösung, die auch für Nicht-ASCII-Satzzeichen funktioniert?

import regex
s = u"string. With. SomeReally WeirdNonASCII Punctuation?"
remove = regex.compile(ur'[\p{C}|\p{M}|\p{P}|\p{S}|\p{Z}]+', regex.UNICODE)
remove.sub(u" ", s).strip()

Ich persönlich glaube, dass dies der beste Weg ist, um Satzzeichen aus einer Zeichenkette in Python zu entfernen, weil:

• Entfernt alle Unicode-Satzzeichen
• Sie ist leicht veränderbar, z. B. können Sie die \{S} wenn Sie Satzzeichen entfernen wollen, aber Symbole wie $ .
• Sie können ganz genau festlegen, was Sie behalten und was Sie entfernen möchten, zum Beispiel \{Pd} werden nur Bindestriche entfernt.
• Diese Regex normalisiert auch Leerzeichen. Sie wandelt Tabulatoren, Zeilenumbrüche und andere Unregelmäßigkeiten in schöne, einzelne Leerzeichen um.

Dabei werden Unicode-Zeicheneigenschaften verwendet, die lesen Sie mehr darüber auf Wikipedia .

Answer 5

Ich habe diese Antwort noch nicht gesehen. Verwenden Sie einfach eine Regex; sie entfernt alle Zeichen außer Wortzeichen ( \w ) und Zahlenzeichen ( \d ), gefolgt von einem Whitespace-Zeichen ( \s ) :

import re
s = "string. With. Punctuation?" # Sample string 
out = re.sub(ur'[^\w\d\s]+', '', s)