用空格替换除单词内破折号以外的标点符号

Question

R gsub("[^[:alnum:]['-]", " ", my_string) 中已经有一个接近的 answer，但它在 Python 中不起作用：

my_string = 'compactified on a calabi-yau threefold @ ,.'
re.sub("[^[:alnum:]['-]", " ", my_string)

给'compactified on a calab yau threefold @ ,.'

因此，它不仅删除了单词内破折号，还删除了破折号之前单词的最后一个字母。而且它不会删除标点符号

预期结果（没有任何标点符号但字内破折号的字符串）：'compactified on a calabi-yau threefold'

Answer 1

R 使用 TRE (POSIX) 或 PCRE 正则表达式引擎，具体取决于 perl 选项（或使用的函数）。 Python 使用经过修改的、更差的类似 Perl 的版本作为 re 库。 Python 不支持 POSIX 字符类，因为 [:alnum:] 匹配 alpha（字母）和 num（数字)。

在 Python 中，[:alnum:] 可以替换为 [^\W_]（或仅 ASCII 的 [a-zA-Z0-9]）和否定的 [^[:alnum:]] - 与 [\W_]（[^a-zA-Z0-9] 仅 ASCII 版本）。

[^[:alnum:]['-] 匹配 除字母数字（字母或数字）、[、' 或 - 之外的任何 1 个符号。 这意味着您提到的 R 问题没有提供正确答案。

您可以使用following solution：

import re
p = re.compile(r"(\b[-']\b)|[\W_]")
test_str = "No -  d'Ante compactified on a calabi-yau threefold @ ,."
result = p.sub(lambda m: (m.group(1) if m.group(1) else " "), test_str)
print(result)

(\b[-']\b)|[\W_] regex 匹配并捕获字内 - 和 '，我们通过检查捕获组是否匹配并重新插入 m.group(1) 和其余部分（所有非-word 字符和下划线）只是用空格替换。

如果要删除包含一个空格的非单词字符序列，请使用

p = re.compile(r"(\b[-']\b)|[\W_]+")