使用Python正则表达式替换

我需要写一个程序来识别病历中的姓名。如何替换可能包含前缀、后缀和首字母缩写或名字的名称，但不必每次都包含上述所有内容。例如，我可以让程序识别S Smith博士，但不能识别Smith博士

谢谢大家!

以下是我目前的计划：

# This program removes names and email addresses occurring in a given input file and saves it in an output file.

import re
def deidentify():
    infilename = input("Give the input file name: ")
    outfilename = input("Give the output file name: ")

    infile = open(infilename,"r")
    text = infile.read()
    infile.close()

    # replace names
    nameRE = "(Ms\.|Mr\.|Dr\.|Prof\.) [A-Z](\.|[a-z]+) [A-Z][a-z]+" 
    deidentified_text = re.sub(nameRE,"**name**",text)



    outfile = open(outfilename,"w")
    print(deidentified_text, file=outfile)
    outfile.close()

deidentify()

中的[A-Z]\.|[A-Z]+项

正在搜索名字或首字母。您希望此部分是可选的，因此请使用捕获组

nameRe = "(Ms\.|Mr\.|Dr\.|Prof\.)( [A-Z](\.|[a-z]+))?( [A-Z][a-z]+)"
re.sub(nameRe, r"\1\4" ,text)

那个？在

表示此部分是可选的，但仍然将其视为捕获组，即使它是空的

r\1\4告诉re.sub使用第一个和第四个捕获组基本上，捕获组在每次看到a时都会启动。

请尝试以下操作：

((?:Ms\.|Mr\.|Dr\.|Prof\.|Mrs\.) (?:[A-Z](?:\.|(?:[a-z])+) )?[A-Z][a-z]+)

---

但是，我建议您将该文件解析为Python数据结构字典、对象等，然后您可以在打印结果时简单地省略名称，更不用说数据进入Python程序后可以做的所有其他方便的事情了，例如，这位患者是否与我们一起工作了五年以上？有多少百分比的患者将信用卡号作为支付信息？

结果表明，表达式需要使用\s来解释空格。一旦输入，程序就会工作。

我认为这在很大程度上取决于输入文本文件的格式。您的数据是纯文本文件吗？需要反识别的不同可能性有哪些？有前缀还是没有前缀？有或没有首字母？有没有名字？只有姓吗？你的文件中还有其他不应该更改的姓氏吗？皮安：是的，一个txt文件朱利安：所有这些。例如，患者可能第一次被称为Alice Smith女士，但后记仅被称为Smith女士；一个Dr.可能是J.Doe，MD一次，另一次是Dr.Doe我不确定我是否了解如何使用捕获组。如果我从re.sub中去掉名称，我的替换会发生什么？捕获组基本上只是一个匹配项，您可以稍后很容易地引用，通常用于替换。例如，如果我想用Hello Jane替换Hello Fred，问题是我不能用Jane替换每个单词，因为这样我就得到了Jane。因此，我使用捕获组。我的正则表达式是[a-z]+[a-z]+。第一组括号内的匹配是我的第一个捕获组，第二个括号内的匹配是我的第二个捕获组。现在，为了获取Hello Jane，我将其替换为\1 Jane-我使用我的第一个捕获组Hello，一个空格和单词Jane。

re.sub(nameRe, r"\1\4" ,text)

((?:Ms\.|Mr\.|Dr\.|Prof\.|Mrs\.) (?:[A-Z](?:\.|(?:[a-z])+) )?[A-Z][a-z]+)