在Python中查找列表中子组中的公共字符串

Question

我想要清理一个列表，去掉其中的重复项。例如：

 bb = ['Gppe (Aspirin Combined)', 
       'Gppe Cap (Migraine)',  
       'Gppe Tab', 
       'Abilify', 
       'Abilify Maintena', 
       'Abstem', 
       'Abstral']

理想情况下，我需要获取以下列表：

 bb = ['Gppe', 
       'Abilify', 
       'Abstem', 
       'Abstral']

我尝试的方法：

1. 分割列表并删除重复项（一种简单的方法）

   list(set(sorted([j for bb_i in bb for j in bb_i.split(' ')])))

这会留下很多“垃圾”：

['(Aspirin',
 '(Migraine)',
 'Abilify',
 'Abstem',
 'Abstral',
 'Cap',
 'Combined)',
 'Gppe',
 'Maintena',
 'Tab']

2. 找出最常见的单词：

Counter(['Gppe (Aspirin Combined)', 'Gppe Cap (Migraine)', 'Gppe Tab').most_common(1)[0][0]

但我不确定如何找到类似的单词（一组）？？

我在想，是否可以使用一种“groupby()”方法，首先按名称进行分组，然后在这些名称中删除重复项。

- Arnold Klein

Answer 1

假设你想要每个字符串中独特的第一个单词，那么你可以这样做：

bb = ['Gppe (Aspirin Combined)',
       'Gppe Cap (Migraine)',
       'Gppe Tab',
       'Abilify',
       'Abilify Maintena',
       'Abstem',
       'Abstral']


result = set(map(lambda x: x.split()[0], bb))
print(result)

输出

{'Gppe', 'Abstral', 'Abilify', 'Abstem'}

如果您想获得按出现顺序排列的唯一元素列表，可以执行以下操作：

bb = ['Gppe (Aspirin Combined)',
       'Gppe Cap (Migraine)',
       'Gppe Tab',
       'Abilify',
       'Abilify Maintena',
       'Abstem',
       'Abstral']

seen = set()
result = []
for e in bb:
    key = e.split()[0]
    if key not in seen:
        result.append(key)
        seen.add(key)

print(result)

输出

['Gppe', 'Abilify', 'Abstem', 'Abstral']

作为第一种解决方案的替代，您可以执行以下操作：

1. 来自@Jean-FrançoisFabre的建议：{x.split()[0] for x in bb}
2. 来自@RoadRunner的建议：set(x.split()[0] for x in bb)

- Dani Mesejo

---

"set(map(lambda x: x.split()[0], bb))" 这段代码不太优美。使用集合推导式可能更易读，如："{x.split()[0] for x in bb}"。已经压缩过了。 - Jean-François Fabre

也可以执行 set（x.split（）[0] for x in bb)。 - RoadRunner

另外，如果您想要维护顺序，则list(collections.OrderedDict.fromkeys(x.split()[0] for x in bb).keys())是另一种方式。 - RoadRunner

太棒了！非常感谢你们！学习整洁和Pythonic的方法总是很棒的。 - Arnold Klein

Answer 2

如果顺序无关紧要，您可以使用集合推导式：

res = list({x.split()[0] for x in bb})

如果顺序很重要，并且您使用的是Python 3.6或更高版本，则可以使用字典推导式：

res = list({x.split()[0]:None for x in bb})

如果顺序很重要并且你使用的是Python 3.5或更低版本，你可以使用OrderedDict：

from collections import OrderedDict
res = list(OrderedDict((x.split()[0],None) for x in bb))

- Pulsar

Answer 3

你可以尝试拆分每个项目并仅收集分隔符（空格）之前的第一个字符串。

print(list(set(item.split(' ',1)[0] for item in bb)))

这是获取您所需内容的方式：

['Abilify', 'Abstem', 'Gppe', 'Abstral']

- automationleg