替换多个(3+)大写字母之间的空格

概述

在R中有一种方法可以完全使用正则表达式来实现这一点,但它并不漂亮(尽管我认为它看起来很可爱!)这个答案也可以根据您的需要进行定制(最少两个大写字母,最少三个,等等)-即可扩展-并且可以匹配多个水平空白字符(不使用lookbehind,这需要固定的宽度)。

密码

See regex in use here

(?:(?=\b(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu})

替换:空字符串

我使用的原始图案 \b ,这可能不适用于Unicode字符(例如 É ). 以下替代方案可能是更好的方法。它检查以确保第一个大写字符之前不是字母(来自任何语言/脚本)。它还确保如果后跟任何其他字母,则它与大写序列末尾的大写字符不匹配。

如果您还需要确保数字不在大写字母之前,可以使用 [^\p{L}\p{N}] 代替 \P{L} .

See regex in use here

(?:(?<=\P{L})(?=(?:\p{Lu}\h+){2}\p{Lu})|\G(?!\A))\p{Lu}\K\h+(?=\p{Lu}(?!\p{L}))

用法

See code in use here

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?:(?=\\b(?:\\p{Lu}\\h+){2}\\p{Lu})|\\G(?!\\A))\\p{Lu}\\K\\h+(?=\\p{Lu})", "", x, perl=TRUE)

后果

输入

Welcome to A I: the best W O R L D!
Hi I R is the B O M B for sure: we A G R E E indeed.

输出

Welcome to A I: the best WORLD!
Hi I R is the BOMB for sure: we AGREE indeed.

解释

• (?:(?=(?:\b\p{Lu}\h+){2}\p{Lu})|\G(?!\A)) 匹配以下任一项
  • (?=\b(?:\p{Lu}\h+){2}\p{Lu}) 正向前瞻确保后面的内容匹配(在本例中用作断言,以查找字符串中格式为的所有位置) A A A ). 您还可以添加 \b 在积极展望的最后,确保 I A Name 不匹配
    • \b 断言单词边界处的位置
    • (?:\p{Lu}\h+){2} 精确匹配以下内容两次
      • \p{Lu} 匹配任何语言中的大写字符(Unicode)
      • \h+ 匹配一个或多个水平空白字符
    • \p{Lu} 匹配任何语言中的大写字符(Unicode)
  • \G(?!\A)
• \p{Lu} 匹配任何语言中的大写字符(Unicode)
• \K 重置报告匹配的起点。任何先前使用的字符不再包含在最终匹配中
• \h+ 匹配一个或多个水平空白字符
• (?=\p{Lu})

编辑2(python)

下面是与上面类似的python(它需要 PyPi regex 运行)。我替换了 \h 具有 [ \t] 因为PyPi正则表达式目前不支持 \h 代币

See the working code here

import regex
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

r = regex.compile(r"(?:(?=\b(?:\p{Lu} +){2}\p{Lu})|\G(?!\A))\p{Lu}\K +(?=\p{Lu})")
for i in a:
    print(r.sub('',i))

以上正则表达式基于第一个正则表达式。如果要使用第二个正则表达式,请使用以下命令:

(?:(?<=\P{L})(?=(?:\p{Lu}[ \t]+){2}\p{Lu})|\G(?!\A))\p{Lu}\K[ \t]+(?=\p{Lu}(?!\p{L}))

使用回调

请看 Wiktor's original answer 关于回调,这只是将他的R程序移植到python中的一个版本。这不使用PyPi正则表达式库,因此它不匹配。此外,这与Unicode不匹配。

import re
a = [
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
]

def repl(m):
    return re.sub(r"\s+",'',m.group(0))

for i in a:
    print(re.sub(r"(?:[A-Z]\s+){2,}[A-Z]", repl, i))

正如我在评论中指出的那样,问题中的第一个gsubfn调用中的问题是因为正则表达式中有两个捕获组,但函数只有一个参数。这些需要匹配——两个捕获组意味着需要两个参数。通过运行此命令并查看打印语句的输出,我们可以看到gsubfn传递了什么:

junk <- gsubfn('(([A-Z]\\s+){2,}[A-Z])', ~ print(list(...)), x)

我们可以通过以下任何方式解决这一问题:

1) 这使用了问题中的正则表达式,但使用了一个接受多个参数的函数。函数中实际上只使用了第一个参数。

gsubfn('(([A-Z]\\s+){2,}[A-Z])', ~ gsub("\\s+", "", ..1), x)
## [1] "Welcome to A I: the best WORLD!"              
## [2] "Hi I R is the BOMB for sure: we AGREE indeed."

注意,它将公式解释为函数:

function (...) gsub("\\s+", "", ..1)

我们可以这样查看由公式生成的函数:

fn$identity( ~ gsub("\\s+", "", ..1) )
## function (...) 
## gsub("\\s+", "", ..1)

2) 这使用了问题中的正则表达式和问题中的函数,但添加了backref=-1参数,该参数告诉它只将第一个捕获组传递给函数——减号表示也不会传递整个匹配。

gsubfn('(([A-Z]\\s+){2,}[A-Z])', spacrm1, x, backref = -1)

(正如@Wiktor Stribiew在他的回答中指出的那样 backref=0 也可以。)

3)

gsubfn('(([A-Z]\\s+){2,}[A-Z])', x + y ~ gsub("\\s+", "", x), x)

注意,它将公式解释为以下函数:

function(x, y) gsub("\\s+", "", x)

这里的问题是哪些项传递给 spacrm 函数依据 gsubfn 以及参数数量的不匹配 spacrm 函数accept和传递给它们的参数数。

请参阅 gsubfn docs 关于 backref 参数:

要传递给函数的反向引用数。如果为零或为正,则将匹配作为第一个参数传递给替换函数,然后将指定数量的反向引用作为后续参数。 如果为负,则只传递该数量的反向引用,但是 比赛本身并非如此。 如果省略,它将自动确定,即,如果没有反向参考和 否则,它将等于反向引用数的负值 . 它通过计算模式中非转义左括号的数量来确定这一点。

因此,在你的情况下 反向参考 省略了参数,并且 spacrmX got W O R L D and L 价值观

这个 spacrm1 只接受一个参数的函数有两个参数,因此 unused argument ("L ") 错误

什么时候 spacrm2 使用时,它获得了所有两个捕获的值,并将它们连接起来(在删除空白后)。

实际上,你可以使用 backref=0 告诉 gsubfn 要仅处理整个匹配值并简化模式,请删除捕获组并使用一个非捕获组:

spacrm1 <- function(string) {gsub('\\s+', '', string)}
x <- c(
     'Welcome to A I: the best W O R L D!',
     'Hi I R is the B O M B for sure: we A G R E E indeed.'
)
gsubfn('(?:[A-Z]\\s+){2,}[A-Z]', spacrm2, x, backref=0)
[1] "Welcome to A I: the best WORLD!"              
[2] "Hi I R is the BOMB for sure: we AGREE indeed."

您可以简单地匹配前面有大写字母的空格,以及后面有两个由空格分隔的大写字母(使用环视)。 或者反过来 -匹配前面有两个大写字母的空格,两个大写字母之间用空格隔开,然后后跟一个大写字母。

(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])

R代码:

x <- c(
    "Welcome to A I: the best W O R L D!",
    "Hi I R is the B O M B for sure: we A G R E E indeed."
)
gsub("(?<=[A-Z]) (?=[A-Z] [A-Z])|(?<=[A-Z] [A-Z]) (?=[A-Z])", "", x, perl=TRUE)

Live here at ideone .