Замените двухбуквенный код состояния полным именем в строке — Python 3.8.x
У меня есть список из ~60 тыс. строк, и все они выглядят так:
strings = ['corpus christi tx', 'san angelo', 'oklahoma city ok', 'abilenesweetwater']
У меня также есть dict поисковых запросов. Для MRE:
lookup = {'tx': 'texas', 'ny': 'new york', 'nj': 'new jersey', 'ok': 'oklahoma'}
Что я хотел бы сделать, так это прокрутить мой список строк и заменить двузначный код состояния на value в словаре, чтобы итоговый список выглядел так:
new_strings = ['corpus christi texas', 'san angelo', 'oklahoma city oklahoma', 'abilenesweetwater']
Я видел много подобных вопросов, которые пытаются сделать это, когда двузначный код штата (или полное название штата) является столбцом pd.Dataframe, но не как независимая строка. Я предполагаю, что мне понадобится regex.
Я пробовал следующее:
print("Test", 'corpus christi tx')
new_test_str = re.sub(r'[\s+tx+\s]', 'texas', 'corpus christi tx')
print("Reply", new_test_str)
Что (неправильно) дает:
Test corpus christi tx
Reply corpustexaschristexasitexastexastexas
Я в этом не сомневаюсь, но тогда на вопрос может ответить правильный re, который заполняет запрошенные результаты.
чтобы заменить tx на texas, вы можете попробовать re.sub(r'\btx\b', 'texas', 'corpus christi tx') ... \b соответствует «границе слова», фактически не включая пробел в самом совпадении замены
Ответы 2
Вы можете создать регулярное выражение из ключей словаря, чтобы сопоставить их как целые слова, и получить значения из словаря, как только совпадение будет найдено, и заменить это значение:
import re
strings = ['corpus christi tx', 'san angelo', 'oklahoma city ok', 'abilenesweetwater']
lookup = {'tx': 'texas', 'ny': 'new york', 'nj': 'new jersey', 'ok': 'oklahoma'}
rx = re.compile(fr'\b(?:{"|".join([key for key in lookup])})\b')
strings = [rx.sub(lambda x: lookup[x.group()], s) for s in strings]
Выход:
>>> strings
['corpus christi texas', 'san angelo', 'oklahoma city oklahoma', 'abilenesweetwater']
Вот еще один подход к замене строк. Предполагая, что код состояния всегда находится в конце строки, вы пишете шаблон регулярного выражения для поиска таких строк и заменяете его значением в своем словаре поиска.
import re
strings = ['corpus christi tx', 'san angelo', 'oklahoma city ok', 'abilenesweetwater']
lookup = {'tx': 'texas', 'ny': 'new york', 'nj': 'new jersey', 'ok': 'oklahoma'}
_patt = re.compile(r'\s(\w{2})$')
strings = [re.sub(_patt.search(s).group(1), lookup.get(_patt.search(s).group(1)), s) if _patt.search(s) else s for s in strings]
Выход:
['corpus christi texas', 'san angelo', 'oklahomalahoma city oklahoma', 'abilenesweetwater']
Чтобы понять этот код в деталях, вот более простая реализация того же кода:
for each in strings:
match = _patt.search(each)
if match:
each = re.sub(match.group(1), lookup.get(match.group(1)), each)
print(each)
ваше регулярное выражение неверно...
[...]синтаксис - это класс символов, поэтому[\s+tx+\s]будет соответствовать каждому символу\s(пробел, табуляция и т. д.), каждому символу+, каждому символуtиxи заменит их целевой строкой