Python中的文本清理

我是Python新手，无法找到删除无用文本的方法。主要目的是保留我想要的单词，并删除所有其他单词。在这个阶段，我可以检查我的in_data并找到我想要的单词。如果句子。查找（wordToCheck）为正，则保留它。INU数据中的是每行一句，但当前输出是每行一个字。我想要的是保留格式，找到每行中的单词并删除其余的

import Orange
import orange

word = ['roaming','overseas','samsung']
out_data = []

for i in range(len(in_data)):
    for j in range(len(word)):
        sentence = str(in_data[i][0])
        wordToCheck = word[j]
        if(sentence.find(wordToCheck) >= 0):
            print wordToCheck

输出

roaming
overseas
roaming
overseas
roaming
overseas
samsung
samsung

数据中的类似于句子

contacted vodafone about going overseas and asked about roaming charges. The customer support officer says there isn't a charge but while checking my usage overseas.

我希望看到输出是这样的

overseas roaming overseas

---

您可以做得更简单，如下所示：

for w in in_data.split():
    if w in word:
        print w

在这里，我们首先将

in_data

按空格分割，返回一个单词列表。然后，我们循环遍历in数据中的每个单词，并检查该单词是否与您要查找的单词中的一个相等。如果有，我们就打印出来

而且，为了更快地查找，请将

单词

-列表改为一个集合。快得多

此外，如果要处理标点和符号，需要使用正则表达式或检查字符串中的所有字符是否都是字母。因此，要获得所需的输出：

import string
in_words = ('roaming','overseas','samsung')
out_words = []

for w in in_data.split():
    w = "".join([c for c in w if c in string.letters])
    if w in in_words:
        out_words.append(w)
" ".join(out_words)

---

您可以为此使用正则表达式：

>>> import re
>>> word = ['roaming','overseas','samsung']
>>> s =  "Contacted vodafone about going overseas and asked about roaming charges. The customer support officer says there isn't a charge but while checking my usage overseas."
>>> pattern = r'|'.join(map(re.escape, word))
>>> re.findall(pattern, s)
['overseas', 'roaming', 'overseas']
>>> ' '.join(_)
'overseas roaming overseas'

非正则表达式的方法是使用

str.join

和

str.strip

以及生成器表达式。需要使用strip（）调用来去除标点符号，如

'、

、

、'

等

>>> from string import punctuation
>>> ' '.join(y for y in (x.strip(punctuation) for x in s.split()) if y in word)
'overseas roaming overseas'

这里有一个更简单的方法：

>>> import re
>>> i
"Contacted vodafone about going overseas and asked about roaming charges. The customer support officer says there isn't a charge but while checking my usage overseas."
>>> words
['roaming', 'overseas', 'samsung']
>>> [w for w in re.findall(r"[\w']+", i) if w in words]
['overseas', 'roaming', 'overseas']

---

使用split的答案会出现在标点符号上。你需要用一个正则表达式来分解单词

import re

in_data = "contacted vodafone about going overseas and asked about roaming charges. The customer support officer says there isn't a charge but while checking my usage overseas."

word = ['roaming','overseas','samsung']
out_data = []

word_re = re.compile(r'[^\w\']+')
for check_word in word_re.split(in_data):
  if check_word in word:
    print check_word

---

in_数据是这样的一句话：“联系沃达丰关于出国事宜，询问漫游费用。客户支持人员说没有费用，但在检查我在海外的使用情况时。”我期望的输出是“海外漫游海外”这是什么。。什么是你的数据？请分享你的数据。我的数据正好相反：）我的意思是，你可以用正则表达式。但这并不完全是“最佳实践”或pythonic，特别是对于这样一个简单的问题。然而，我承认，我并没有把它看作是字符串中的双关语和符号。在这种情况下，这并不太愚蠢：-）谢谢你的帮助，我对此有了一些想法。这不会提供所需的输出。

In_words

应该是一个更快查找的集合，即使用

In_words=set（['roaming'、'overseas'、'samsung']）

，iirc元组查找比列表稍慢。我使用橙色的python脚本，在我尝试这个之后，它给出了AttributeError:'Orange.data.Table'没有属性'split'>>>@user3705931:我不知道什么是

Orange

。但是数据中的

是字符串吗？如果
.split（）
不起作用，您需要告诉我们有关数据中
的更多信息。@BurhanKhalid:是吗？