正则表达式&x2B；python挑战！争论数据'；几乎是正常的

很抱歉发布这个消息，但是我已经花了很多时间在这上面，但是没有成功。因此，正则表达式+Python对所有人来说都是一个挑战：

我处理的数据大多是定期格式化的。公司列表组合成一个字符串，如

`Company Inc,Company, LLC,Company` 

没有引号来描述条目。使用上面的常规示例，我可以：

>>> re.split(r',\b', 'Company Inc,Company, LLC,Company')                                                                                                                                                                                    
['Company Inc', 'Company, LLC', 'Company']

不幸的是，某些字符串的格式不规则，如：

`IBP, Inc,Tyson Foods,Inc.`

其中，

，Inc

与

食品

之间没有空格。因此，使用

r'，\b'

，我得到：

>>> re.split(r',\b', 'IBP, Inc,Tyson Foods,Inc.')
['IBP, Inc', 'Tyson Foods', 'Inc.']

['IBP, Inc', 'Tyson Foods,Inc.']

我想得到这个：

>>> re.split(r',\b', 'IBP, Inc,Tyson Foods,Inc.')
['IBP, Inc', 'Tyson Foods', 'Inc.']

['IBP, Inc', 'Tyson Foods,Inc.']

---

在这种情况下，您会怎么做？

这取决于您必须计算的条目数。基本上，只要有高质量的数据，你就完蛋了。这意味着您尝试应用的任何自动化都会在处理数据时遇到问题

您必须手动修复此问题，以将数据质量恢复到其中。数据质量问题是计算机很难处理的问题之一

我个人会做的是写一个快速而肮脏的启发，试图确定不符合预期结果的条目。例如，在您的示例中，我将查找“Inc”或“LLC”加上或减去两个字符的拆分条目。这将捕获那些似乎不能提供比公司类型高得多的条目。你会看到“公司”，知道真正的公司名称一定在附近

---

一旦你有了这些，你就可以手工清理你的数据，然后重新处理。当您可以证明将这些纠正措施作为程序的一部分编写是合理的时，这是对大约一百万个条目的最佳选择。不过，除非你是谷歌，否则几乎可以保证你会发现它是最快、最简单的人眼搜索工具。

如果你知道，你可以将防分裂字符串添加到负面前瞻中

r',\b(?!Inc\.)'

---

用稍微不同的术语来描述Mike M的回答，如果您可以构建一个可靠的非相关标记列表，如“Inc.”、“Inc”和“LLC”，那么您可能有一种解析的方法。即使这样，您也可能无法获得像split（）这样的自动工具来为您工作。您可能需要自己滚动。

我会首先在逗号上进行拆分，以获得如下列表：

['IBP', 'Inc', 'Tyson Foods', 'Inc.']

然后第二次遍历数据，其中极不可能的公司名称，如“Inc”、“Inc.”、“LLC”、“GmbH”等，与列表中的前一项合并：

badList = originalData.split(',')
goodList = []
rejectList = ['Inc', 'Inc.', 'LLC', 'GmbH'] # etc.

for pseudoName in badList:
   pseudoName = pseudoName.strip()
   if pseudoName in rejectList:
      goodList[-1] = goodList[-1] + ", " + pseudoName
   else:
      goodList.append(pseudoName)

---

如果您以后发现您的数据中有“Farmers Group，The”等条目，并将文章放在正确的位置，此方法还可以让您进行更复杂的操作。

使用ms excel解决问题您的规则没有明确定义-这是不可能的。

Inc.，LLC，Inc.

应该如何解析<代码>“公司”、“有限责任公司”、“公司”<代码>'Inc.，LLC'，'Inc.<代码>“公司”、“有限责任公司”？你用人类的直觉和经验来划分这些名字。除非你能用一系列规则来表达你的直觉，否则正则表达式不会帮你。真的吗？我可能会用逗号分割整件事，然后将

Inc[.]

，

LLC

，等等的特殊情况合并回来，假设它总是

公司名称[，]一些特殊的东西。您希望
c，Comp
以逗号分隔，但
s，Inc
不希望，如果没有特殊的大小写，我看不出会发生什么。也可以明确说明。检查您的数据并搜索任何
、Inc
或
、LLC
和其他特殊情况，然后分别替换为
、Inc
和
、LLC
。然后使用你的正则表达式。问题是公司列表是如何组合成这样一个字符串的？我会回去以更好的格式获取数据。这很好，谢谢。现在我需要查找这个语法来了解它是如何工作的！但是，是的，再次感谢你回答这个问题。这正是我要找的。因此，很多人要么对我的问题的开放性耿耿于怀（尽管我试图以一种获得你提供的回答的方式来提问），要么试图告诉我根本不要使用正则表达式。除了Excel，有些人还试图向我指出一些东西，比如欧芹（解析器），等等。我很感谢你在我试图提出问题时看到我的问题，并提供我想要的答案。是的，很吓人。老实说，在程序的这一部分，我更喜欢糟糕的拆分而不是复杂的拆分。当涉及到这种类型的代码时，我不是一个好的程序员，所以我自己的解析很快就会失控。