正则表达式：使用re.sub将连字符替换为短划线

Question

正则表达式：使用re.sub将连字符替换为短划线

3

我正在使用一个小函数来循环遍历文件，以便将任何连字符 - 替换为 en-dash – (alt + 0150)。

我使用的函数为相关问题的解决方案 (如何自动替换多个文件中文本内容内的字符？) 添加了一些正则表达式的特性。

def mychanger(fileName):
  with open(fileName,'r') as file:
    str = file.read()
    str = str.decode("utf-8")
    str = re.sub(r"[^{]{1,4}(-)","–", str).encode("utf-8")
  with open(fileName,'wb') as file:
    file.write(str)

我使用正则表达式[^{]{1,4}(-)，因为实际上是在latex回归表中进行搜索，我只想替换数字周围出现的连字符。

明确一点：我想要替换除了真正的latex代码（如\cmidrule(lr){2-4}）外的所有连字符。

在这种情况下，有一个{接近（在3-4个字符内）连字符左侧。当然，这个连字符不应该被改成en-dash，否则latex代码会出错。
我认为排除条件的左部分很重要，以编写正确的正则表达式。实际上，在回归表中可以有像-0.062\sym{***}这样的东西（即在连字符紧右边的{），在这种情况下我确实想替换连字符。

我的表格中的典型行是

variable    &   -2.061\sym{***}&       4.032\sym{**}   &       1.236         \\
            &      (-2.32)         &   (-2.02)         &      (-0.14)

然而，我的正则表达式似乎不正确。例如，(-1.2) 将被替换为 –1.2，省略了括号。

这里有什么问题呢？谢谢！

- ℕʘʘḆḽḘ

1

请展示所有您不希望发生替换的情况。 - Tim Biegeleisen

1

你能提供一份数据样本以及它在哪里出现了不匹配或错误匹配吗？ - zwer

嗨，谢谢！@TimBiegeleisen @zwer 只能想到像\cmidrule(lr){2-8}这样的情况，其中有一个{靠近连字符并在其左侧。确实，在回归表中，您可以有像-0.062\sym{***}这样的内容。 - ℕʘʘḆḽḘ

1

@Noobie 我尝试在下面给出一个答案。虽然不够简洁，但让我们试着迭代优化，直到找到解决你实际问题的方法。 - Tim Biegeleisen

2个回答

1

re.sub替换整个匹配项。在这种情况下，包括您的-之前的非{字符。您可以将该部分用括号括起来创建一个\1组，并将其包含在替换中（您也不需要在–周围加括号）：

re.sub(r"([^{]{1,4})-",r"\1–", str)

- Adam S

1

它在我的Python3 REPL中可以工作。你能解释一下你的意思吗，@TimBiegeleisen？ - Adam S

我认为@TimBiegeleisen想表达的意思是这并不能替代连字符，这正确吗？ - ℕʘʘḆḽḘ

1

应该是（我用X替换了ASCII连字符以突出重点）：`In [18]: str = "(-1.2)"In [19]: re.sub(r"([^{]{1,4})-",r"\1X", str) Out[19]: '(X1.2)'` - Adam S

感谢Adam的帮助。但是re.sub(r"([^{]{1,4})-",r"\1X", '-0.079\sym{***}')会得到'-0.079\\sym{***}'，这将破坏Latex代码。 - ℕʘʘḆḽḘ

1

这将替换LaTEX代码。在此处查看演示。我认为正确的正则表达式会比这个答案复杂得多。 - Tim Biegeleisen

显示剩余2条评论

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Tim Biegeleisen · Accepted Answer

我可以提供以下两个步骤的替换方案：

str = "-1 Hello \cmidrule(lr){2-4} range 1-5 other stuff a-5"
str = re.sub(r"((?:^|[^{])\d+)-(\d+[^}])","\\1$\\2", str).encode("utf-8")
str = re.sub(r"(^|[^0-9])-(\d+)","\\1$\\2", str).encode("utf-8")
print(str)

第一个替换目标是所有不属于LaTex形式{1-9}的范围，即不包含在花括号内的范围。第二个替换目标是所有以非数字或字符串开头的数字。