使用Python删除小词

Question

是否可以使用正则表达式删除文本中的小词？例如，我有以下字符串（文本）：

anytext = " in the echo chamber from Ontario duo "

我想删除所有不超过3个字符的单词。结果应为：

"echo chamber from Ontario"

使用正则表达式或任何其他python函数可以做到吗？

谢谢。

Answer 1

当然，这也不难：

shortword = re.compile(r'\W*\b\w{1,3}\b')

上面的表达式选择任何以某些非单词字符开头的单词（本质上是空格或开头），其长度在1-3个字符之间，并以单词边界结尾。

>>> shortword.sub('', anytext)
' echo chamber from Ontario '

该\b边界的比赛是很重要的位置，他们保证你不匹配只是一个字的第一个或最后3个字符。

在\W*一开始，您可以删除这两个词和前面的非单词字符，这样句子的其余部分仍然匹配起来。需要注意的是标点符号包含在\W，使用\s，如果你 只是
想删除前面的空白。

值得一提的是，这种正则表达式解决方案在其余单词之间 保留了 额外的空格，而mgilson的版本将多个空格字符折叠成一个空格。不知道这对您是否重要。

他的列表理解解决方案 是 两者中较快的一种：

>>> import timeit
>>> def re_remove(text): return shortword.sub('', text)
... 
>>> def lc_remove(text): return ' '.join(word for word in text.split() if len(word)>3)
... 
>>> timeit.timeit('remove(" in the echo chamber from Ontario duo ")', 'from __main__ import re_remove as remove')
7.0774190425872803
>>> timeit.timeit('remove(" in the echo chamber from Ontario duo ")', 'from __main__ import lc_remove as remove')
6.4250049591064453