独家 | 秘籍：10个Python字符串处理技巧（附代码）

作者：马修·梅奥

翻译：陈之炎

校对：和中华

本文约1600字，建议阅读7分钟。

本文为你介绍利用Python处理字符串的一些基本操作。

在探寻文本分析途径时却不知从何下手，该怎么办？那么可以通过这个字符串处理入门教程，来了解一下利用Python处理字符串的一些基本操作。

 

当前，自然语言处理和文本分析是研究和应用的热点领域。这些领域包括各种具体的技能和概念，在深入具体实践之前需要对它们有彻底的理解，为此，必须掌握一些基本的字符串操作和处理技巧。

 

在我看来，必须掌握两种字符串处理技巧：首先是正则表达式，一种基于模式的文本匹配方法。关于正则表达式有许多精彩的介绍，但是喜欢通过视频学习的朋友仍然可以从这个视频中受益良多：

fast.ai代码 -初涉自然语言处理：

https://youtu.be/Q1zLqfnEXdw?list=PLtmWHNX-gukKocXQOkQjuVxglSDYWsSh9&t=630

另一个必备的字符串处理技能是：能够利用给定编程语言的标准库进行基本的字符串操作。为此，本文便是一个简短的Python字符串处理入门教程，旨在为那些以文本分析作为职业的人士寻求更为深入的研究，抛砖引玉。

想对公司所有的文本有深入理解，发掘出其中的价值吗？首先，应了解最基本的基础知识，下面，来了解一下这些初学者的技巧。

注意，有实际意义的文本分析远远超出字符串处理的范畴，那些更先进的核心技术可能不需要你频繁的亲自对文本进行操作。然而，对于一个成功的文本分析项目来说，文本数据预处理是非常重要而耗时的环节，所以，本文涵盖的字符串处理技能将很有价值。在基础层面上理解文本的计算处理对于理解更为先进的文本分析技术同样重要。

 

文中的一些示例使用Python标准库：string module字符串模块，为此，最好准备好string module以备参考。

string module字符串模块链接：

https://docs.python.org/2/library/string.html

 

1. 空格剥离

 

空格剥离是字符串处理的一种基本操作，可以使用lstrip（）方法（左）剥离前导空格，使用rstrip（）（右）方法对尾随空格进行剥离，以及使用strip（）剥离前导和尾随空格。

 

s = '   This is a sentence with whitespace.       \n'


print('Strip leading whitespace: {}'.format(s.lstrip()))
print('Strip trailing whitespace: {}'.format(s.rstrip()))
print('Strip all whitespace: {}'.format(s.strip()))

Strip leading whitespace: This is a sentence with whitespace.


Strip trailing whitespace:    This is a sentence with whitespace.
Strip all whitespace: This is a sentence with whitespace.

 

对剥离除空格以外的字符感兴趣吗？同样的方法也很有用，可以通过传递想要剥离的字符来剥离字符。

 

s = 'This is a sentence with unwanted characters.AAAAAAAA'


print('Strip unwanted characters: {}'.format(s.rstrip('A')))

Strip unwanted characters: This is a sentence with unwanted characters.

必要时不要忘记检查字符串 format()文档。

format()文档：

https://docs.python.org/3/library/stdtypes.html#str.format

2. 字符串拆分

利用Python中的 split() 方法可以轻易将字符串拆分成较小的子字符串列表。

split() 方法：

https://docs.python.org/3/library/stdtypes.html#str.split

 

s = 'KDnuggets is a fantastic resource'


print(s.split())

['KDnuggets', 'is', 'a', 'fantastic', 'resource']

默认情况下，split()根据空格进行拆分，但同样也可以将其他字符序列传递给split()进行拆分。

 

s = 'these,words,are,separated,by,comma'
print('\',\' separated split -> {}'.format(s.split(',')))


s = 'abacbdebfgbhhgbabddba'
print('\'b\' separated split -> {}'.format(s.split('b')))

',' separated split -> ['these', 'words', 'are', 'separated', 'by', 'comma']
'b' separated split -> ['a', 'ac', 'de', 'fg', 'hhg', 'a', 'dd', 'a']

3. 将列表元素合成字符串

需要实现上述操作的一个逆向操作？没问题，利用Python中的join()方法便可将列表中的元素合成一个字符串。

join()方法：

https://docs.python.org/3/library/stdtypes.html#str.join

s = ['KDnuggets', 'is', 'a', 'fantastic', 'resource']


print(' '.join(s))

KDnuggets is a fantastic resource

事实果真如此！如果想将列表元素用空格以外的东西连接起来？这可能有点陌生，但也很容易实现。

s = ['Eleven', 'Mike', 'Dustin', 'Lucas', 'Will']


print(' and '.join(s))

Eleven and Mike and Dustin and Lucas and Will

4. 字符串反转

 Python没有内置的字符串反转方法。但是，可以先将字符串看做是字符的列表，再利用反转列表元素的方式进行反转。

 

5. 大小写转换

 

利用upper(), lower(),和swapcase()方法可以进行大小写之间的转换。

upper()方法：

https://docs.python.org/3/library/stdtypes.html#str.upper

lower()方法：

https://docs.python.org/3/library/stdtypes.html#str.lower

swapcase()方法：

https://docs.python.org/3/library/stdtypes.html#str.swapcase

s = 'KDnuggets'


print('\'KDnuggets\' as uppercase: {}'.format(s.upper()))
print('\'KDnuggets\' as lowercase: {}'.format(s.lower()))
print('\'KDnuggets\' as swapped case: {}'.format(s.swapcase()))

'KDnuggets' as uppercase: KDNUGGETS
'KDnuggets' as lowercase: kdnuggets
'KDnuggets' as swapped case: kdNUGGETS

 

6. 检查是否有字符串成员

 

在Python中检查字符串成员的最简单方法是使用in运算符，语法与自然语言非常类似。

 

s1 = 'perpendicular'
s2 = 'pen'
s3 = 'pep'


print('\'pen\' in \'perpendicular\' -> {}'.format(s2 in s1))
print('\'pep\' in \'perpendicular\' -> {}'.format(s3 in s1))

'pen' in 'perpendicular' -> True
'pep' in 'perpendicular' -> False

如果对找到字符串中子字符串的位置更感兴趣（而不是简单地检查是否包含子字符串），则利用find（）方法可能更为有效。

 

s = 'Does this string contain a substring?'
print('\'string\' location -> {}'.format(s.find('string')))
print('\'spring\' location -> {}'.format(s.find('spring')))

'string' location -> 10
'spring' location -> -1

默认情况下，find（）返回子字符串第一次出现的第一个字符的索引，如果找不到子字符串，则返回-1。对这一默认情况拿捏不准时，可以查阅一下相关文档。

 

7. 子字符串替换

 

找到子字符串之后，如果想替换这一子字符串，该怎么办？Python 中的replace()字符串方法将解决这一问题。

replace()字符串方法：

https://docs.python.org/3/library/stdtypes.html#str.replace

s1 = 'The theory of data science is of the utmost importance.'
s2 = 'practice'


print('The new sentence: {}'.format(s1.replace('theory', s2)))

The new sentence: The practice of data science is of the utmost importance.

如果同一个子字符串出现多次的话，利用计数参数这一选项，可以指定要进行连续替换的最大次数。

8. 组合多个列表的输出

 

如何以某种元素的方式将多个字符串列表组合在一起？利用zip()函数便没问题。

zip()函数：

https://docs.python.org/3/library/functions.html#zip

countries = ['USA', 'Canada', 'UK', 'Australia']
cities = ['Washington', 'Ottawa', 'London', 'Canberra']


for x, y in zip(countries, cities):
  print('The capital of {} is {}.'.format(x, y))

The capital of USA is Washington.
The capital of Canada is Ottawa.
The capital of UK is London.
The capital of Australia is Canberra.

9. 同字母异序词检查

 

想检查一对字符串中，其中一个字符串是否是另一个字符串的同字母异序词？从算法上来讲，需要做的是对每个字符串中每个字母的出现次数进行计数，再检查二者计数值是否相等，直接使用collections模块的Counter类便可实现。

collections模块的Counter类：

https://docs.python.org/3/library/collections.html#collections.Counter

from collections import Counter
def is_anagram(s1, s2):
  return Counter(s1) == Counter(s2)


s1 = 'listen'
s2 = 'silent'
s3 = 'runner'
s4 = 'neuron'


print('\'listen\' is an anagram of \'silent\' -> {}'.format(is_anagram(s1, s2)))
print('\'runner\' is an anagram of \'neuron\' -> {}'.format(is_anagram(s3, s4)))

'listen' an anagram of 'silent' -> True
'runner' an anagram of 'neuron' -> False

10. 回文检查

 如果想检查给定的单词是否是回文，怎么办？从算法上看，需要创建一个单词的反转，然后利用 == 运算符来检查这2个字符串（原始字符串和反向字符串）是否相等。

 

def is_palindrome(s):
  reverse = s[::-1]
  if (s == reverse):
    return True
  return False


s1 = 'racecar'
s2 = 'hippopotamus'


print('\'racecar\' a palindrome -> {}'.format(is_palindrome(s1)))
print('\'hippopotamus\' a palindrome -> {}'.format(is_palindrome(s2)))

'racecar' is a palindrome -> True
'hippopotamus' is a palindrome -> False

虽然掌握这些字符串处理“技巧”之后，并不意味着你已经成为了文本分析或自然语言处理专家，但这些技巧可能会激发出深入探究自然语言处理领域的兴趣，并掌握最终成为专家所必备的技能。

相关文献：

• 文本数据预处理：Python演练

  https://www.kdnuggets.com/2018/03/text-data-preprocessing-walkthrough-python.html

• Python中的·文本预处理：步骤、工具和示例https://www.kdnuggets.com/2018/11/text-preprocessing-python.html

• 文本数据分析完整探索与可视化：可视化与NLP相结合https://www.kdnuggets.com/2019/05/complete-exploratory-data-analysis-visualization-text-data.html

原文标题：

10 Python String Processing Tips & Tricks

原文链接：

https://www.kdnuggets.com/2020/01/python-string-processing-primer.html

译者简介

陈之炎，北京交通大学通信与控制工程专业毕业，获得工学硕士学位，历任长城计算机软件与系统公司工程师，大唐微电子公司工程师，现任北京吾译超群科技有限公司技术支持。目前从事智能化翻译教学系统的运营和维护，在人工智能深度学习和自然语言处理（NLP）方面积累有一定的经验。业余时间喜爱翻译创作，翻译作品主要有：IEC-ISO 7816、伊拉克石油工程项目、新财税主义宣言等等，其中中译英作品“新财税主义宣言”在GLOBAL TIMES正式发表。能够利用业余时间加入到THU 数据派平台的翻译志愿者小组，希望能和大家一起交流分享，共同进步。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：DatapiTHU），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。

点击“阅读原文”拥抱组织