Regex 在Python中删除中文字符串列中的空格和标点符号

为了通过

news

列删除以下数据帧中的重复项，我尝试从该列中删除所有

空格

和

标点

      date                             news
0  2017-08      北京写字楼租金哪家高? 金融街、CBD、亚奥居TOP3
1  2017-08       租金一直涨,到底是谁租走了北京最贵的写字楼(附名单)
2  2017-09                 北京三季度写字楼租金继续保持平稳
3  2017-09           戴德梁行:第三季度北京写字楼市场租金保持平稳
4  2018-01  北京豪华公寓销量大涨76.5% 金融街写字楼租金创35季度新高
5  2010-11             楼市下行,高租金的商住和写字楼能不能投?

我尝试了以下解决方案：

df.news = df.news.apply(lambda x: re.sub(r'[^\w\s]', '', x)).replace(' ', '')
df.news = df.news.str.replace('[^\w\s]', '').str.strip()

两者都生成一个输出，字符串中有空格：

0         北京写字楼租金哪家高 金融街CBD亚奥居TOP3        ---> space in the phrase
1          租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                 北京三季度写字楼租金继续保持平稳
3            戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765 金融街写字楼租金创35季度新高  ---> space in the phrase
5               楼市下行高租金的商住和写字楼能不能投

下面的代码删除新闻短语的第二部分

df.news = df.news.str.extract('(\w+)', expand = False)

0          北京写字楼租金哪家高
1               租金一直涨
2    北京三季度写字楼租金继续保持平稳
3                戴德梁行
4        北京豪华公寓销量大涨76
5                楼市下行

如何获得

新闻

专栏的预期结果？多谢各位

0         北京写字楼租金哪家高金融街CBD亚奥居TOP3        
1          租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                 北京三季度写字楼租金继续保持平稳
3            戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765金融街写字楼租金创35季度新高  
5               楼市下行高租金的商住和写字楼能不能投

这似乎有效：

 df.news.apply(lambda x: re.sub(r'[^\w\s]', '', x)).str.replace(' ', '')

输出：

0         北京写字楼租金哪家高金融街CBD亚奥居TOP3
1         租金一直涨到底是谁租走了北京最贵的写字楼附名单
2                北京三季度写字楼租金继续保持平稳
3           戴德梁行第三季度北京写字楼市场租金保持平稳
4    北京豪华公寓销量大涨765金融街写字楼租金创35季度新高
5              楼市下行高租金的商住和写字楼能不能投

---

看起来您需要

df['news']=df['news'].str.replace（r'[\W+'，''）

[^\W\s]

无法匹配空白字符，因为它是一个否定字符类，匹配的字符只有单词（字母、数字、

.

+某些变音符号等）和空白字符。如果您删除

\s

，它将等于

\W

不匹配的

\u

，因此

[\W\u]

只需保留所有字母数字字符即可。谢谢，但是如何删除

空格

？我不明白。

\W

匹配空格，因为它们是非单词字符。所有内容都在