在没有循环的模式之前解析所有子字符串？

Question

我有一个长字符串，其中包含许多用空格分隔的数字（有时甚至会在其中抛出一个新行）。我想遍历字符串并将所有数字附加到 0.000000000000000000e+00 数字开头之前的新列表中。所以这是我的字符串示例：

my_string = '1.249132165057832031e+13 1.638194600635518555e+13 2.127995187558799219e+13 2.744617593148214062e+13 -2.558800658636701519e+28 5.918883595148564680e+30 3.603563681248702509e+31 4.325917213186498068e+31 4.911908042151239481e+31 4.463331378152286632e+31 3.684371076399113503e+31 2.500614504012405068e+31 9.997365425073173512e+30 -7.046725649106466938e+30 -2.192076417151744811e+31 -2.531287564917444482e+31 -6.962936418905874724e+30 3.281685507310205847e+31 9.241630178064907840e+31 1.730544785932614751e+32 2.619210949875333106e+32 2.984440142196566918e+32 8.964375812060072923e+31 -8.515727465135046667e+32 -3.425309034394939997e+33 -8.145884847188906515e+33 -9.922370830834364410e+33 -2.119464668318252366e+28 -1.689726703118075140e+27 1.440101653069986610e+26 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 6.186324149659251562e+13 8.113154959294240625e+13 1.053889122977165625e+14 1.359271226298647969e+14 -2.097046363337115528e+28 4.850777756495711585e+30 2.953274256558218597e+31 3.545273642763729060e+31 4.025456872055449111e+31 3.657581460085835446e+31 3.018816679659856350e+31 2.048223110003727437e+31 8.176806147340775115e+30 -5.796250740354887641e+30 -1.798839398031696094e+31 -2.076444435341100150e+31 -5.711669151245612857e+30 2.691583747083509247e+31 7.579958708961477309e+31 1.419395486743453834e+32 2.148287875274468622e+32 2.447859658750551118e+32 7.352862842410293685e+31 -6.984595303325589259e+32 -2.809449882735912952e+33 -6.681296633318354125e+33 -8.138406580426555140e+33 -1.740744048703962454e+28 -1.411749034480591280e+27 8.079362883576220633e+25 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00 0.000000000000000000e+00'

从这个字符串中，我最终想要的是：

new_list = ['1.440101653069986610e+26', '8.079362883576220633e+25']

我在想我会使用正则表达式，但这似乎有点棘手，因为我有一堆 0.000000000000000000e+00 出现分组在一起，我只想要第一个零出现之前的非零数字。我也不能假设总是有相同数量的零组合在一起。

我也想过分割空格并迭代，但我的完整字符串实际上太长了，无法有效地做到这一点。我该怎么做？

Answer 1

你可以使用否定的lookbehind断言：

In [55]: re.findall(r'(\S+)(?<!0\.000000000000000000e\+00)\s+0\.000000000000000000e\+00', my_string)
Out[55]: ['1.440101653069986610e+26', '8.079362883576220633e+25']

正如@revo 在评论中提到的那样，可以使用负前瞻断言来改进正则表达式以提高性能：

([-+]?\d\.(?!0+e\+0+)\S+)\s+(?:0\.0+e\+00\s*)+

Live demo

Answer 2

我也不能假设总是有相同数量的零组合在一起。

我们如何区分例如 2 个连续的零值和“一组零”？

好吧，鉴于您正在寻找至少 5 个 0.000 模式，您可以在这个多 0 模式上使用非捕获组（以避免匹配它），遵循非空白模式（用于数字）

re.findall("(\S+)\s+(?:0\.0+e\+00\s+){5,}",my_string)

如果除了模式本身不能有任何零，则可以概括为：

re.findall("(\S+)\s+(?:0\.0+e\+00\s+)+",my_string)

（您需要在非捕获组末尾的+ 来捕获并丢弃所有个零）

结果（在这两种情况下）：

['1.440101653069986610e+26', '8.079362883576220633e+25']

这也处理换行符，并且可以容忍小数部分中可变数量的零

Answer 3

列表理解和压缩

这比其他解决方案快 10-70 倍 倍。

my_values = my_string.split()
output = [x for x,y in zip(my_values,my_values[1:]) 
           if (y == '0.000000000000000000e+00' and x != '0.000000000000000000e+00')]
print(output)

或者，按照@Jean-François Fabre 的建议，使用 islice 来节省内存：

import itertools
my_values = my_string.split()
output = [x for x,y in zip(my_values,itertools.islice(myvalues,1,None)) 
               if (y == '0.000000000000000000e+00' and x != '0.000000000000000000e+00')]
print(output)

这是通过成对 (x,y) 对元素进行分组来实现的。 x 应该不同于 0.00.. 而 y 应该等于它。通过首先进行 y 检查，这将在大多数情况下快速评估为 False 并继续迭代。 返回：

['1.440101653069986610e+26', '8.079362883576220633e+25']

---

熊猫和numpy

但是，另一个想法（我认为这是最聪明的）是使用 pandas 和 pd.to_numeric()。当您使用数字时，您很可能希望使用 numpy 或 pandas 之类的库。这会更安全，因为您还可以顺利处理错误。另请注意，我在这两种情况下都将数字转换回字符串（您可以跳过）。

import pandas as pd

data = pd.Series(pd.to_numeric(my_string.split()))
output = data[(data != 0) & (data.shift(-1) == 0)].astype(str).tolist()
print(output)

#['1.440101653069986610e+26', '8.079362883576220633e+25']

还有 numpy：

import numpy as np

data = np.loadtxt(my_string.split())
output = list(map(str,data[(data != 0) & (np.roll(ar, -1) == 0)]))
print(output)

#['1.440101653069986610e+26', '8.079362883576220633e+25']

---

时间比较

最快 --> 最慢

100000 loops, best of 3: 9.28 µs per loop  <-- Anton vBR list comprehension
10000 loops, best of 3: 98.4 µs per loop   <-- Revos Regex
1000 loops, best of 3: 256 µs per loop     <-- Anton vBR numpy
1000 loops, best of 3: 425 µs per loop     <-- Tzot Regex
1000 loops, best of 3: 513 µs per loop     <-- Jean-François Fabre Regex 
1000 loops, best of 3: 782 µs per loop     <-- liliscent 
1000 loops, best of 3: 794 µs per loop     <-- Anton vBR pandas

Answer 4

如果你想要 float 值而不是它们的字符串表示：

import re

list(
    filter(
        None,
        map(
            float,
            re.findall(r"\S+(?=\s0\.0+e)", my_string)
)))

• re.findall(r"\S+(?=\s0\.0+e)", my_string) :
  查找在空白和 0.00000...e 之前出现的所有非空白字符序列
• map(float, ^ ) :
  假设上述所有匹配项都可以转换为浮点数
• filter(None, ^ ) :
  过滤掉所有零浮点数
• list( ^ ) :
  将上述内容变成一个列表（Python 2 中的无操作，Python 3 中将生成器转换为列表）

结果：

>>> list(filter(None, map(float, re.findall(r"\S+(?=\s0\.0+e)", my_string))))
[1.4401016530699866e+26, 8.07936288357622e+25]

但是，如果您仍然想要字符串值本身，请告诉我；在这种情况下，需要修改 map 和 filter 子表达式。