Лучший способ убрать пунктуацию из строки в Python

Кажется, что должен быть более простой способ, чем:

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

Есть?

34 ответа

Решение

С точки зрения эффективности, вы не будете бить

s.translate(None, string.punctuation)

Он выполняет необработанные строковые операции в C с помощью справочной таблицы - не так много, что побьет 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 для каждого символа, но не будет работать так же хорошо, как и подходы с не-чистым питоном, такие как регулярные выражения или string.translate, как вы можете видеть из приведенных ниже моментов 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

Регулярные выражения достаточно просты, если вы их знаете.

import re
s = "string. With. Punctuation?"
s = re.sub(r'[^\w\s]','',s)

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({key: None for key in string.punctuation})
new_s = s.translate(table)                          # Output: string without punctuation
myString.translate(None, string.punctuation)

string.punctuation только 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

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)

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'

Для Python 3 str или Python 2 unicode ценности, str.translate() берет только словарь; в этом отображении ищутся кодовые точки (целые числа) и все, что сопоставлено None устранен.

Чтобы удалить (некоторые?) Знаки препинания, используйте:

import string

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

dict.fromkeys() Метод класса упрощает создание отображения, устанавливая все значения в None на основе последовательности клавиш.

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'))

string.punctuation пропускает 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 удалить \{S} если вы хотите убрать знаки препинания, но оставить символы, такие как $,
  • Вы можете получить действительно конкретную информацию о том, 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 Юникода, о которых вы можете прочитать подробнее в Википедии.

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

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

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}))

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])
import re
s = "string. With. Punctuation?" # Sample string 
out = re.sub(r'[^a-zA-Z0-9\s]', '', s)

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

Однострочник может быть полезен в не очень строгих случаях:

''.join([c for c in s if c.isalnum() or c.isspace()])
>>> s = "string. With. Punctuation?"
>>> s = re.sub(r'[^\w\s]','',s)
>>> re.split(r'\s*', s)


['string', 'With', 'Punctuation']

В качестве обновления я переписал пример @Brian в Python 3 и внес в него изменения, чтобы переместить шаг компиляции regex внутрь 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 необходимо иметь re.compile наступать на каждого работника. Кроме того, мне было интересно узнать 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, где 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

Я искал действительно простое решение. вот что у меня получилось:

      import re 

s = "string. With. Punctuation?" 
s = re.sub(r'[\W\s]', ' ', s)

print(s)
'string  With  Punctuation '

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 ()

Почему никто из вас этим не пользуется?

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

Слишком медленно?

Вот еще один простой способ сделать это с помощью RegEx

import re

punct = re.compile(r'(\w+)')

sentence = 'This ! is : a # sample $ sentence.' # Text with punctuation
tokenized = [m.group() for m in punct.finditer(sentence)]
sentence = ' '.join(tokenized)
print(sentence) 
'This is a sample sentence'

#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
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 ("____________")

Попробуйте это:)

regex.sub(r'\p{P}','', s)

В вопросе не так много конкретики, поэтому мой подход заключается в том, чтобы найти решение с самой простой интерпретацией проблемы: просто удалите знаки препинания.

Обратите внимание, что представленные решения не учитывают сокращенные слова (например, you're) или слова через дефис (например, anal-retentive) ... который обсуждается относительно того, следует ли их рассматривать как знаки препинания ... или учитывать неанглийский набор символов или что-то в этом роде ... потому что эти особенности не были упомянуты в вопросе. Кто-то утверждал, что пробел - это пунктуация, что технически правильно ... но для меня это не имеет смысла в контексте рассматриваемого вопроса.

      # using lambda
''.join(filter(lambda c: c not in string.punctuation, s))

# using list comprehension
''.join('' if c in string.punctuation else c for c in s)

Для серьезной обработки естественного языка (NLP) вы должны позволить библиотеке, такой как SpaCy, обрабатывать пунктуацию посредством токенизации , которую затем вы можете вручную настроить в соответствии со своими потребностями.

Например, как вы хотите обрабатывать дефисы в словах? Исключительные случаи, такие как сокращения? Начало и конец кавычек? URL-адреса? В НЛП часто бывает полезно разделить сокращение типа «давайте» на «пусть» и «с» для дальнейшей обработки.

По-видимому, я не могу внести изменения в выбранный ответ, поэтому вот обновление, которое работает для Python 3. Подходы и по-прежнему самые быстрые, но regex сейчас бьет translate на Python 3.7.3, хотя и ненамного.

Благодарим @Brian выше за первоначальную тяжелую работу.

      #!/usr/bin/env python3

"""
Determination of most efficient way to remove punctuation in Python 3.

Results in Python 3.7.3 on my laptop:

set       : 2.222888
regex     : 0.766476
translate : 0.935940
replace   : 3.499120
"""

import re
import string
import timeit

s = "string. With. Punctuation"
exclude = set(string.punctuation)
table = str.maketrans("", "", string.punctuation)
regex = re.compile(f"[{re.escape(string.punctuation)}]")

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

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

def test_translate(s):
    return s.translate(table)

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

opts = dict(globals=globals(), number=1000000)
solutions = "set", "regex", "translate", "replace"
for solution in solutions:
    elapsed = timeit.timeit(f"test_{solution}(s)", **opts)
    print(f"{solution:<10}: {elapsed:f}")

Когда вы имеете дело со строками Unicode, я предлагаю использовать PyPi regexмодуль, потому что он поддерживает оба класса свойств Unicode (например, \p{X}/ \P{X}) и классы символов POSIX (например, [:name:]).

Просто установите пакет, набрав pip install regex(или же pip3 install regex) в вашем терминале и нажмите ENTER.

Если вам нужно удалить знаки препинания и любые символы (то есть все, кроме букв, цифр и пробелов), вы можете использовать

      regex.sub(r'[\p{P}\p{S}]', '', text)  # to remove one by one
regex.sub(r'[\p{P}\p{S}]+', '', text) # to remove all consecutive punctuation/symbols with one go
regex.sub(r'[[:punct:]]+', '', text)  # Same with a POSIX character class

См. демонстрацию Python онлайн:

      import regex

text = 'भारत India <><>^$.,,! 002'
new_text = regex.sub(r'[\p{P}\p{S}\s]+', ' ', text).lower().strip()
# OR
# new_text = regex.sub(r'[[:punct:]\s]+', ' ', text).lower().strip()

print(new_text)
# => भारत india 002

Здесь я добавил пробел \sшаблон для класса символов

Выполните поиск и замену, используя функции регулярных выражений, как показано здесь., Если вам приходится многократно выполнять операцию, вы можете хранить скомпилированную копию шаблона регулярных выражений (пунктуацию), что немного ускорит процесс.

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'))
Другие вопросы по тегам