Python Regex 更长的连字符和前面的字母

Question

我有一个 DataFrame，其中一些值存储为“Miami–Fort Lauderdale”和“Minneapolis–Saint Paul”，带有较长的连字符“–”(不是短破折号“-”)。我试图在 Windows 命令提示符下使用正则表达式删除它们，但它无法正常工作。

1. 直接输入下面的连字符是行不通的(werid enough):

XXX.replace(to_replace=r'\–', value=' ', regex=True)

XXX.replace(to_replace='–', value=' ')

并给出不变的“迈阿密-劳德代尔堡”和“明尼阿波利斯-圣保罗”。因此，我想出于某种原因 cmd 无法识别连字符。

1. 一般的形式是“小写字母+连字符+大写字母”所以我也试过了

XXX.replace(to_replace=r'(?=[a-z]+)\W(?=[A-Z]+)', value=' ', regex=True)

有趣的是，这给出了不变的“迈阿密-劳德代尔堡”和“明尼阿波利斯-圣保罗”

1. 但是，下面的方法会起作用

XXX.replace(to_replace=r'\W(?=[A-Z]+)', value=' ', regex=True)

并给出所需的“迈阿密劳德代尔堡”和“明尼阿波利斯圣保罗”。但问题在于，这会扰乱其他值，例如“华盛顿特区”。进入“华盛顿特区”。 (显然)。

============================================= ======

我最终解决了这个问题

XXX.replace(to_replace=r'\W(?=\w+\s)', value=' ', regex=True)

但我仍然想知道正则表达式如何识别连字符“–”之前的字母。在我看来，好像出于某种原因，连字符之前的字母不被视为字母？

Answer 1

我建议使用

.replace(to_replace=r'(?<=[a-z])[^\w\s](?=[A-Z])', value=' ', regex=True)

这里，

• (?<=[a-z]) - 与紧接在前面的小写 ASCII 字母匹配的位置的正后视
• [^\w\s] - 除了单词和空白字符以外的字符
• (?=[A-Z]) - 与紧跟大写 ASCII 字母的位置匹配的正前瞻。

参见 regex demo online .

另外，请注意 \w匹配一个下划线，它也是一个标点符号。如果您需要在此处“包含”它，则需要进行替换:

(?<=[a-z])(?:[^\w\s]|_)(?=[A-Z])