Python正则表达式删除小写字符之间的连字符

Question

我只需要删除小写字母之间的连字符。这是我目前的表达方式：

re.sub('\[a-z]-\[a-z]', "", 'hyphen-ated Asia-Pacific 11-12')

我希望它返回：

'hyphenated Asia-Pacific 11-12'

Answer 1

两种方法，包括一些时间：

import re, timeit

def a1():
    s = re.sub(r'([a-z])-([a-z])', r'\1\2', "hyphen-ated Asia-Pacific 11-12")

def a2():
    s = re.sub(r'(?<=[a-z])-(?=[a-z])', '', "hyphen-ated Asia-Pacific 11-12")

print(timeit.timeit(a1, number = 10**5))
print(timeit.timeit(a2, number = 10**5))

产量

0.9709542730015528
0.37731508900105837

因此，在这种情况下，环视可能会更快。

Answer 2

TL;DR:

>>> re.sub('([a-z])-(?=[a-z])', r'\1', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

或

>>> re.sub('(?<=[a-z])-(?=[a-z])', '', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

---

上下文替换的主要复杂性（“查找所有被小写字母包围的连字符”）是尾随上下文（要匹配的模式后面的部分）不能包含在匹配中。如果是，将无法参加下一场领先的比赛。

举个例子可能会更清楚。

天真的解决方案是

>>> re.sub('([a-z])-([a-z])', r'\1\2', 'hyphen-ated Asia-Pacific 11-12')
'hyphenated Asia-Pacific 11-12'

这与问题中的调用不同，因为它匹配连字符周围的小写字母，捕获它们以便可以将它们重新插入结果中。在这种情况下，与模式匹配的唯一子字符串是n-a，并且它被正确地替换为na。

但是假设我们有两个更靠近的连字符，像这样：

>>> re.sub('([a-z])-([a-z])', r'\1\2', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obliga-tory hyphenated Asia-Pacific 11-12'

a 是匹配 g-a 的一部分，搜索在 - 处继续，a 之后。所以它从来没有看到模式a-t，它会匹配。

要解决这个问题，我们可以使用lookahead assertion：

>>> re.sub('([a-z])-(?=[a-z])', r'\1', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

现在尾随上下文（连字符后面的小写字母）不是匹配的一部分，因此我们不需要在替换中重新插入它。这意味着在匹配g- 和结尾a 之后，搜索将从a 开始，下一个匹配将是a-，结尾是t。

Python 也可以做“lookbehinds”，其中一个模式只有在另一个模式之前才匹配。使用lookbehind和lookahead，我们可以这样写：

>>> re.sub('(?<=[a-z])-(?=[a-z])', '', 'oblig-a-tory hyphen-ated Asia-Pacific 11-12')
'obligatory hyphenated Asia-Pacific 11-12'

这也会产生正确的答案。现在我们只是匹配连字符，但坚持在它之前和之后是一个小写字母。由于匹配只是连字符，替换字符串可以为空。

有时使用这样的lookbehind 可以加快匹配速度。有时它会减慢它的速度。如果速度对您很重要，那么使用特定模式进行基准测试总是值得的。但首要任务是正确匹配。

Answer 3

re.sub(r'([a-z])-([a-z])', r'\1\2', "hyphen-ated Asia-Pacific 11-12")

捕获连字符前后的字母，并在去除连字符时保留它们。 \1 和 \2 表示第一个和第二个捕获的组，在这种情况下是字母。

您当前的代码匹配连字符周围的两个字母并删除整个匹配项。替换时应保留字母。