在python中删除字符中间字符串（iterable）

Question

我有一长串字符串，其中包含4条信息。我通过在空白处拆分它们来索引它们。不幸的是，在一些字符串中，第二条信息中也有空格。我想能够删除任何空格之间发生两个冒号。以下是列表中的几个项目：

abroad a:at:n request 1

abroad a:at:n silence 1

abroad a:at:n time 6

abroad a:because of:n schedule 1

abroad a:by:n american 1

abroad a:by:n bank 1

abroad a:by:n blow 1

所以，我的问题出现在上面的第四行。显然，我可以手动删除空间来解决问题，但列表有数千行。另外，我可以编写代码，将“becauseof”替换为“becauseof”，但这并不是唯一出现的两个单词序列。另外，第三个片段有时包含“because of”，我想保留其中的空白。我当前的代码试图返回每个序列的频率，如下所示：

import sys
import pprint

occ_list = []
observed = {}

lines = sys.stdin.readlines()

for line in lines:
    l = line.strip()
    i = l.split(' ')
    word = i[0]
    rel = i[1]
    wirts = i[2:-1]
    wirt = ' '.join(wirts)  # Word-in-relation-to (which may be compund)
    occ = i[-1]             # Frequency of specific "word, rel, wirt"
    arb = (word, rel, wirt)
    occ_list.append(int(occ))

    if not arb in observed.keys():
            observed[arb] = []
    if not occ in observed[arb]:
            observed[arb].append(int(occ)/float(1064542))

pprint.pprint(observed)

除了前面提到的带有额外空格的行之外，这是有效的。你知道吗

如果有任何建议，我将不胜感激。（我使用的是Python3.2） 谢谢

Answer 1

使用正则表达式：

#!/usr/bin/env python
import fileinput
import re
from collections import defaultdict
from pprint import pprint

occ_list = []
observed = defaultdict(list)
for line in fileinput.input():
    m = re.search(r"(\S+)\s+([^:]+:[^:]+:\S+)\s+(\S+)\s+(\d+)", line)
    if m:
       word, rel, wirt, occ = m.groups()
       occ = int(occ)
       occ_list.append(occ)
       observed[word, rel, wirt].append(occ / 1064542.0)

pprint(occ_list)
pprint(dict(observed))

Output

[1, 1, 6, 1, 1, 1, 1]
{('abroad', 'a:at:n', 'request'): [9.393711098293914e-07],
 ('abroad', 'a:at:n', 'silence'): [9.393711098293914e-07],
 ('abroad', 'a:at:n', 'time'): [5.636226658976349e-06],
 ('abroad', 'a:because of:n', 'schedule'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'american'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'bank'): [9.393711098293914e-07],
 ('abroad', 'a:by:n', 'blow'): [9.393711098293914e-07]}

Answer 2

除了第二位信息中的冒号之外，您希望文本文件中还有冒号吗？如果不是，我建议用分号来去掉空格。但是，如果您想在其他信息中允许使用其他冒号，那么我建议使用^{} (regex)模块。你知道吗

# Split on colons:
bits = l.split(':')
# remove spaces in the second part
bits[1] = bits[1].replace(' ','')
# join again
l = ':'.join(bits)
# do rest of code.

另外，我想你在问题中也提到了这一点，但我想澄清一下。你有这样的台词吗？你知道吗

abroad a:by:because of american 1

在这种情况下，您希望rel成为a:by:because of吗？你知道吗

信息部分3（wirts）可以是多个单词吗？关于：

abroad a:by:because of american silence 2

你怎么知道哪个词属于哪个词？你知道吗

我想你需要一本字典，里面有空格，在这种情况下是允许的。你知道吗

Answer 3

从空格处分开开始。如果第二项不包含空格，则其中应包含2个冒号；如果只有一个冒号，则第二项中有空白，因此第二项和第三项是单个项的一部分。你知道吗

parts = line.split()
if parts[1].count(":") == 1:
    parts[1 : 3] = [" ".join(parts[1 : 3])]