根据一组单词拆分字符串答案

【问题标题】：Splitting a string based on a certain set of words根据一组单词拆分字符串
【发布时间】：2015-12-22 07:15:17
【问题描述】：

我有一个这样的字符串列表，

['happy_feet', 'happy_hats_for_cats', 'sad_fox_or_mad_banana','sad_pandas_and_happy_cats_for_people']

给定一个像['for', 'or', 'and'] 这样的关键字列表，我希望能够将该列表解析为另一个列表，如果关键字列表出现在字符串中，则将该字符串拆分为多个部分。

例如，上面的集合会被拆分成

['happy_feet', 'happy_hats',  'cats', 'sad_fox', 'mad_banana', 'sad_pandas', 'happy_cats', 'people']

目前我用下划线分割每个内部字符串，并有一个 for 循环查找关键字的索引，然后通过下划线重新组合字符串。有没有更快的方法来做到这一点？

【问题讨论】：

这实际上可能相当快。您的应用程序是否太慢了？
不是真的，我只是对 Python 有点陌生，不知道是否有更好、更简洁的方法。
我通常建议在优化之前测量。 :) 无论如何，基本的字符串操作通常比更复杂的方法更快。
在python中过早优化可能是万恶之源......如果你这样做的方式“足够快”并且对你来说足够清晰......你应该坚持下去：P
感谢所有帮助，我想出了一种正则表达式方式，但我对正则表达式还不够熟悉，无法正确实现它，我会阅读正则表达式代码以更好地帮助我的理解！

标签： python regex string

【解决方案1】：

>>> pat = re.compile("_(?:%s)_"%"|".join(sorted(split_list,key=len)))
>>> list(itertools.chain(pat.split(line) for line in data))

将为您提供的示例数据集提供所需的输出

实际上，使用_ 分隔符，您实际上不需要按长度对其进行排序，因此您可以这样做

>>> pat = re.compile("_(?:%s)_"%"|".join(split_list))
>>> list(itertools.chain(pat.split(line) for line in data))

【讨论】：

【解决方案2】：

>>> [re.split(r"_(?:f?or|and)_", s) for s in l]
[['happy_feet'],
 ['happy_hats', 'cats'],
 ['sad_fox', 'mad_banana'],
 ['sad_pandas', 'happy_cats', 'people']]

要将它们组合成一个列表，您可以使用

result = []
for s in l:
    result.extend(re.split(r"_(?:f?or|and)_", s))

【讨论】：

这需要一个额外的步骤来处理任何一组单词，如果单词在字符串的开头或结尾，这将不起作用。
这不在 OP 规定的要求中（因此我的类似答案中的免责声明）... +1 对我的这个答案
@Holt：没错，Joran 的版本在第一方面更好。不确定第二个是否有问题。

【解决方案3】：

你可以使用正则表达式：

from itertools import chain
import re

pattern = re.compile(r'_(?:{})_'.format('|'.join([re.escape(w) for w in keywords])))

result = list(chain.from_iterable(pattern.split(w) for w in input_list))

模式是根据您的关键字列表动态创建的。字符串'happy_hats_for_cats' 在'_for_' 上拆分：

>>> re.split(r'_for_', 'happy_hats_for_cats')
['happy_hats', 'cats']

但是因为我们实际上产生了一组替代品（使用| 元字符），所以您可以根据任何关键字进行拆分：

>>> re.split(r'_(?:for|or|and)_', 'sad_pandas_and_happy_cats_for_people')
['sad_pandas', 'happy_cats', 'people']

每个拆分结果都会为您提供一个字符串列表（如果没有要拆分的内容，则只有一个）；使用itertools.chain.from_iterable() 可以让我们将所有这些列表视为一个长迭代。

演示：

>>> from itertools import chain
>>> import re
>>> keywords = ['for', 'or', 'and']
>>> input_list = ['happy_feet', 'happy_hats_for_cats', 'sad_fox_or_mad_banana','sad_pandas_and_happy_cats_for_people']
>>> pattern = re.compile(r'_(?:{})_'.format('|'.join([re.escape(w) for w in keywords])))    
>>> list(chain.from_iterable(pattern.split(w) for w in input_list))
['happy_feet', 'happy_hats', 'cats', 'sad_fox', 'mad_banana', 'sad_pandas', 'happy_cats', 'people']

【讨论】：

@JoranBeasley：这个人目前在一个糟糕的移动网络上 :-( 在我的火车旅程的前 20 分钟内没有太多连接（它来来去去）。

【解决方案4】：

另一种仅使用内置方法的方法是用替换字符串替换每个字符串中['for', 'or', 'and']中出现的所有内容，例如_1_（可以是任何字符串），然后然后在每次迭代结束时，拆分这个替换字符串：

l = ['happy_feet', 'happy_hats_for_cats', 'sad_fox_or_mad_banana','sad_pandas_and_happy_cats_for_people'] 
replacement_s = '_1_'
lookup = ['for', 'or', 'and']
lookup = [x.join('_'*2) for x in lookup] #Changing to: ['_for_', '_or_', '_and_']
results = []
for i,item in enumerate(l):
    for s in lookup:
        if s in item:
            l[i] = l[i].replace(s,'_1_')
    results.extend(l[i].split('_1_'))

输出：

['happy_feet', 'happy_hats', 'cats', 'sad_fox', 'mad_banana', 'sad_pandas', 'happy_cats', 'people']

【讨论】：