Python - Replace() 用于关键字列表

Question

我有一个公司列表，上面有他们的名字+业务缩写，例如：

['Abc Inc','def Gmbh','ghi PLC', 'xhlm SA', 'sojs LLC'] and so on. 

我想获得一个没有 PLC、INC、Gmbh 以及类似的首字母缩略词的干净列表。出于这个原因，我添加了一个 for 循环，该循环遍历首字母缩略词列表，以将其从公司名称中删除并替换为“”。

这就是我带来的，但会大大增加处理我的代码所需的时间。有更好的主意吗？

def ExtractNames():

substring_adjustment = ['AB', 'AB', 'B.V', 'B.v', 'BV', 'BV', 'GMBH', 'Gmbh', 'INC', 'INC.', 'Inc', 'Inc.', 'LTD', 'Ltd', 'NV', 'NV', 'P.L.C', 'P.L.C', 'PLC', 'Plc', 'SA', 'SE', 'SE', 'SPA', 'Sa', 'Spa', 'ab', 'b.v', 'bv', 'gmbh', 'inc', 'inc.', 'ltd', 'nv', 'p.l.c', 'plc', 'sa', 'se', 'spa',",",".","-"]  
Company_List= load_workbook(filename='Excel for Scraping.xlsx',data_only=True).active 

for row in Company_List.iter_rows (min_row=2,min_col=1,max_col=1,values_only=True): 
    value = row[0]
    for word in substr_adjust:
        value = value.replace(word,"")
        print(value)

Answer 1

您可以加入替换并使用正则表达式：

import re
substring_adjustment = ['AB', 'AB', 'B.V', 'B.v', 'BV', 'BV', 'GMBH', 'Gmbh', 'INC', 'INC.', 'Inc', 'Inc.', 'LTD', 'Ltd', 'NV', 'NV', 'P.L.C', 'P.L.C', 'PLC', 'Plc', 'SA', 'SE', 'SE', 'SPA', 'Sa', 'Spa', 'ab', 'b.v', 'bv', 'gmbh', 'inc', 'inc.', 'ltd', 'nv', 'p.l.c', 'plc', 'sa', 'se', 'spa',",",".","-"]
lst = ['Abc Inc','def Gmbh','ghi PLC', 'xhlm SA', 'sojs LLC']

rx = re.compile(r'\s*(?:{})$'.format("|".join(substring_adjustment)))

new_list = [rx.sub('', item) for item in lst]
print(new_list)
# ['Abc', 'def', 'ghi', 'xhlm', 'sojs LL']

如您所见，这种方法的问题在于您需要先放置较长的替换。此外，您的替换列表中有重复项。
话虽如此，您可以将替换列表和正则表达式更改为：

import re

substring_adjustment = ['AB', 'B\.?V', 'GMBH', 'INC\.?', 'LTD', 'NV', 'P\.?L\.?C', 'S[AE]', 'SPA']
lst = ['Abc Inc', 'def Gmbh', 'ghi PLC', 'xhlm SA', 'sojs LLC', 'XXX Management Limited']

rx = re.compile(r'(?i)\s*\b(?:{})$'.format("|".join(substring_adjustment)))

new_list = [rx.sub('', item) for item in lst]
print(new_list)

为您的示例产生的结果：

['Abc', 'def', 'ghi', 'xhlm', 'sojs LLC', 'XXX Management Limited']

Answer 2

首先，您只需替换公司名称的可能部分

company_name = "ABBA AB"
print(company_name.replace("AB", ""))
# 'BA '

也许您想拆分您的 company_name 字符串，而不是分别过滤值

substring_adjustment_set = {'AB', 'B.V', 'B.v', 'BV', 'GMBH', 'Gmbh'}
string_list = company_name.split(" ")
result = " ".join(filter(lambda x: x not in substring_adjustment_set, string_list))
print(result) 
# ABBA

Answer 3

而不是遍历值中可能存在的所有子字符串（然后使用replace，这可能存在其他问题，例如，如果公司名称中的单词包含“ab”为一个子字符串），您可以创建一组子字符串并遍历公司名称中的单词，测试它们是否被列出，并将那些没有的单词连接在一起（使用空格分隔符）。集包含测试是 O(1) 时间，所以它不应该那么慢。

substring_adjustment = {'AB', 'AB', 'B.V', 'B.v', 'BV', 'BV', 'GMBH', 'Gmbh', 'INC', 'INC.', 'Inc', 'Inc.', 'LTD', 'Ltd', 'NV', 'NV', 'P.L.C', 'P.L.C', 'PLC', 'Plc', 'SA', 'SE', 'SE', 'SPA', 'Sa', 'Spa', 'ab', 'b.v', 'bv', 'gmbh', 'inc', 'inc.', 'ltd', 'nv', 'p.l.c', 'plc', 'sa', 'se', 'spa',",",".","-"}


for value in ['Abc Inc','def Gmbh','ghi PLC', 'xhlm SA', 'sojs LLC']:

    print(' '.join(word for word in value.split()
                   if word not in substring_adjustment))

给予：

Abc
def
ghi
xhlm
sojs LLC

另请注意，substring_adjustment 的表达式实际上有一些重复项（例如 'AB'、'BV'），但这些将在您创建集合时自动处理。

Answer 4

使用正则表达式，您可能会比这更快：

import re

def ExtractNames():
    substring_adjustment = ['AB', 'AB', 'B.V', 'B.v', 'BV', 'BV', 'GMBH', 'Gmbh', 'INC', 'INC.', 'Inc', 'Inc.', 'LTD', 'Ltd', 'NV', 'NV', 'P.L.C', 'P.L.C', 'PLC', 'Plc', 'SA', 'SE', 'SE', 'SPA', 'Sa', 'Spa', 'ab', 'b.v', 'bv', 'gmbh', 'inc', 'inc.', 'ltd', 'nv', 'p.l.c', 'plc', 'sa', 'se', 'spa',",",".","-"]  
    removal_regex = '|'.join(re.escape(word) for word in substring_adjustment)
    # 'AB|AB|B\\.V|B\\.v|BV|BV|...'
    for row in Company_List.iter_rows(min_row=2, min_col=1, max_col=1, values_only=True):
        value = re.sub(removal_regex, '', row[0])