ノート/テキストマイニング/正規表現を確認

サイトトップ

ノート
データ処理
├マイニング
├バスケット解析
├バスケット解析をＲで
├図書貸出をＲで
├モデルクラスタリング
└
テキストマイニング
├テキストマイニングTM
├TMとシソーラス
├PubMedをTM
├TMとMeSH
├TMとNLTK
├テキストマイニングとtagger
├医薬品添付文書ＤＢ
├論文の処理1
├剽窃１
├Bing検索
└
分子進化学
├分子進化学
└
Pythonと論文アクセス
├Pythonを使ってみる
├PythonでPubMed
├Pythonで...続き
└
Macメモ
├Script

&ref(): File not found: "favicon_story.txt" at page "ノート/ノート";

自信ないので
├Winのバッチ
│├スクリプト入門
│├バッチファイル
│├SETコマンド
│├自分のメモ
│└
└

メニュー編集

Pythonの正規表現を確認 †

参照

Python2.7マニュアル HowTo編の正規表現

Python2.7マニュアル re — 正規表現操作

サンプル

Pythonで学ぶ基礎からのプログラミング入門 (13) 正規表現をマスターしよう | マイナビニュース

[Python] 何度も調べてしまうリスト操作をまとめてみた - YoheiM .NET

お気楽 Python プログラミング入門

Pythonでの正規表現の使い方 - Qiita

↑

まとめると †

まず、よく使いそうな正規表現そのもの

? : 0回か1回の繰り返し
+ : 1回以上の繰り返し
* : 0回以上の繰り返し
{m,n} : 最小m回で最大n回
^ : 文字列の先頭
$ : 文字列の末尾
. : 任意の一文字(なんでもいい)
[] : 文字クラスの指定。[]のうちに記されたいずれか

や

\d : 任意の十進数
\D : 数字以外の文字すべて
\s : 空白文字。タブや改行なども含まれる
\S : 空白文字以外の文字すべて
\w : アルファベット、数字、下線のすべて
\W : アルファベット、数字、下線以外のすべて

で、あとはエスケープ\に気を付けること。

正規パターンを文字列としておくのだが、pythonでは接頭文字rを付けることになっている。

r'[1-9]%%[a-z]'

ユニコード文字を使いたければ接頭文字はuでいいらしい。

この正規表現（パターン）を、予めコンパイルしておくことができる。

p = re.compile(r'[a-z]')

次に、正規表現を使う側のやり方は、いくつかあるみたい。まずmatchとsearch、それにgroup。

match 調べたい文字列が、指定した正規表現にmatchしているか判定。先頭から比較

search 調べたい文字列の中に、指定した正規表現が含まれているかを検索。途中から含まれているのもよい。

import re
# match  先頭からのみ対応
print(re.match('\d+', '123abc') != None)   # True
print(re.match('\d+', 'abc123') != None)   # False

# search
print(re.search('^\d+', '123abc') != None) # True
print(re.search('^\d+', 'abc123') != None) # False
print(re.search('\d+', 'abc123') != None)  # True

一致した場合の結果（Matchオブジェクト）は、中にいろいろな情報が入っている。

m = re.search('\d+', 'abc123def')
print(type(m))   # <type '_sre.SRE_Match'>   Matchオブジェクトタイプが返る
print(m.group()) # 123     groupはマッチした対象部分
print(m.start()) # 3       startは開始位置
print(m.end())   # 6       endは修了位置
print(m.span())  # (3, 6)  spanは (start,end)

いろいろな変種がある。

l = re.findall('\d+', '123abc456def')
print(l) # ['123', '456']

l = re.findall('\d+', 'abc def')
print(l) # []  該当なしなので空

置換えは、subが使える

re.sub(r'\d+', 'xxx', '123abc456def')

貪欲vs非貪欲

u = re.match('<.*>', '<html><head><title>Title</title>')
print u.span(), u.group()   # (0, 32) <html><head><title>Title</title>

となり、<>のペアでは無く、最長の<>になっている。これは具合が悪いことも多いので、.*でなくて.*?とすると

u = re.match('<.*>', '<html><head><title>Title</title>')
print u.span(), u.group()   # (0, 6) <html>

とできる。

最新の5件

Pythonの正規表現を確認 †

まとめると †