如何在python中分离混合词（波斯语和英语）

您好，我有一个字符串数据集，有些字符串有混合词，如下所示：

    سلام12World
    دوربینdigital
    سال2012good

。。。 我想要的结果是：

   12 سلام world
   دوربین digital
   2012 سال good

这是我的密码：

 def spliteKeyWord(str):
     regex = r"[\u200b-\u200c]|[0-9]+|[a-zA-Z]+\'*[a-z]*"
     matches = re.findall(regex, str, re.UNICODE)
     return matches

---

但是这段代码没有显示我想要的输出。有可能获得类似的输出吗？

您可以使用带有交替模式的

re.findall

：

def spliteKeyWord(s):
    return re.findall(r'[\dA-Za-z]+|[^\dA-Za-z\W]+', s, re.UNICODE)

引用时，可以使用此正则表达式解析非ascii字符：

words = ['12سلامWorld','دوربینdigital','2012سالgood']

for w in words:
    re.split(r'([^\x00-\x7F]+)', w)


# ['12', 'سلام', 'World']
# ['', 'دوربین', 'digital']
# ['2012', 'سال', 'good']

---

这将在非ascii字之间分割所有内容。

谢谢@blhsing，此函数对数据帧的文本列有效吗？我相信

pandas

中的

str.methods

支持regex，我测试了这个函数是正确的，但是当有一个单词“iPhone6”这个函数把这个单词转换成“iPhone”、“6'@ GETDATA”时，我更新了我的答案，以便数字和英文字母组合在一起。亲爱的BLHEY，你的代码不考虑标点符号。