自然语言处理预处理——Python字符串常用操作

字符串是Python的一个基本数据类型，python为字符串对象提供了很多方法才操作他们。
首先，一条print语句，介绍一下字符串方法都有哪些？

print(dir(str))
[...,'capitalize', 'casefold', 'center', 'count', 'encode',
 'endswith','expandtabs', 'find', 'format', 'format_map',
  'index', 'isalnum','isalpha', 'isascii', 'isdecimal', 
  'isdigit', 'isidentifier','islower', 'isnumeric','isprintable', 
  'isspace','istitle','isupper','join','ljust', 'lower', 'lstrip', 
  'maketrans', 'partition', 'replace', 'rfind', 'rindex', 'rjust', 
  'rpartition', 'rsplit', 'rstrip', 'split', 'splitlines', 'startswith', 
  'strip', 'swapcase', 'title', 'translate', 'upper', 'zfill']

其中主要分为十大类，

1. 大小写转换
2. 字符串填充
3. 字符串编码
4. 字符串格式化
5. 判断问题
6. 字符串查找
7. 字符串修剪
8. 拼接为字符串
9. 字符串替换
10. 字符串加密解密
自然语言处理领域常用的主要是5-9大类方法。下文将对这几类的方法进行简单介绍。

判断问题

凡是和判断有关的函数，直接敲一个is ，基本上都能查看到具体有哪些方法，这里不多做解释。

'isalnum','isalpha', 
'isascii', 'isdecimal', 
'isdigit', 'isidentifier',
'islower', 'isnumeric',
'isprintable',  'isspace',
'istitle','isupper'

字符串查找

关于字符串查找，主要方法有以下四个。他们各自的用法是：

'rfind', 'rindex','find','index'

str.find（）

描述：查找字符串中指定的子字符串sub第一次出现的位置，可以规定字符串的索引查找范围。若无则返回 -1。
语法：str.find(sub,start,end) -> int 返回整数

• sub ——要索引的子字符串。
• start ——索引的起始位置。默认值为0
• end ——索引的结束位置。默认值为字符串长度len(str)。[start,end) 不包括end。

例子：

s="I love python"
#查找子字符串"o"
s.find('o')
3
#索引起始位置为4 索引范围为：ve python
s.find('o',4)
11
#索引起始位置为4,结束位置为12 索引范围为：ve pytho
s.find('o',4,12)
11
s.find('o',4,11)#不包括11位的'o',返回-1

拼接为字符串

join() 函数（重点）

描述:将iterable变量的每一个元素后增加一个str字符串。

iterable又称：可迭代对象，包括：
字符串string
列表list
元组tuple
字典dict
集合set
生成器generator
等

语法： sep.join(iterable)

• sep——分隔符。可以为空。
• iterable—— 要连接的变量 ，可以是 字符串，元组，字典，列表等

例子：

s='好好学习，天天向上'
t=('1','2','3')
dic={'name':"Jack",'gender':'male','from':'China','age':18}
" ".join(s),"".join(t),"_".join(dic)

('好 好 学 习 ， 天 天 向 上', '123', 'name_gender_from_age')

字符串替换

包括了:expandtabs()和replace()函数，经常使用到的是replace函数。

replace()函数

描述：把str.中的 old子串 替换成 new子串,如果 count 指定，则替换不超过 count次.。
语法：str.replace(old, new, count)

• old —— 将被替换的子字符串。
• new —— 新子字符串，用于替换old子字符串。
• count —— 替换的次数，默认全部替换。

例子：

s="我喜欢用Java编程，Java是世界上最强的编程语言！"
s,s.replace("Java",'Python',1),s.replace("Java",'Python')

('我喜欢用Java编程，Java是世界上最强的编程语言！',
 '我喜欢用Python编程，Java是世界上最强的编程语言！',
 '我喜欢用Python编程，Python是世界上最强的编程语言！')

参考：Python字符串的45个方法详解