关于regex:python:从字符串中提取数字

Python: Extract numbers from a string

我将提取字符串中包含的所有数字。哪一个更适合用于目的、正则表达式或isdigit()方法?

例子:

1
line ="hello 12 hi 89"

结果:

1
[12, 89]


如果只想提取正整数,请尝试以下操作:

1
2
3
>>> str ="h3110 23 cat 444.4 rabbit 11 2 dog"
>>> [int(s) for s in str.split() if s.isdigit()]
[23, 11, 2]

我认为这比regex例子更好,原因有三个。首先,您不需要另一个模块;其次,它更可读,因为您不需要解析regex mini语言;第三,它更快(因此可能更像是pythonic):

1
2
3
4
5
python -m timeit -s"str = 'h3110 23 cat 444.4 rabbit 11 2 dog' * 1000""[s for s in str.split() if s.isdigit()]"
100 loops, best of 3: 2.84 msec per loop

python -m timeit -s"import re""str = 'h3110 23 cat 444.4 rabbit 11 2 dog' * 1000""re.findall('\\b\\d+\\b', str)"
100 loops, best of 3: 5.66 msec per loop

这将无法识别十六进制格式的浮点数、负整数或整数。如果你不能接受这些限制,下面的斯利姆的回答会起到作用。


我会使用regexp:

1
2
3
>>> import re
>>> re.findall(r'\d+', 'hello 42 I\'m a 32 string 30')
['42', '32', '30']

这也将匹配来自bla42bla的42个。如果只需要用单词边界(空格、句点、逗号)分隔的数字,则可以使用:

1
2
>>> re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string 30')
['42', '32', '30']

以数字列表而不是字符串列表结束:

1
2
>>> [int(s) for s in re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string 30')]
[42, 32, 30]


这已经晚了一点,但是您也可以扩展regex表达式来考虑科学记数法。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import re

# Format is [(<string>, <expected output>), ...]
ss = [("apple-12.34 ba33na fanc-14.23e-2yapple+45e5+67.56E+3",
       ['-12.34', '33', '-14.23e-2', '+45e5', '+67.56E+3']),
      ('hello X42 I\'m a Y-32.35 string Z30',
       ['42', '-32.35', '30']),
      ('he33llo 42 I\'m a 32 string -30',
       ['33', '42', '32', '-30']),
      ('h3110 23 cat 444.4 rabbit 11 2 dog',
       ['3110', '23', '444.4', '11', '2']),
      ('hello 12 hi 89',
       ['12', '89']),
      ('4',
       ['4']),
      ('I like 74,600 commas not,500',
       ['74,600', '500']),
      ('I like bad math 1+2=.001',
       ['1', '+2', '.001'])]

for s, r in ss:
    rr = re.findall("[-+]?[.]?[\d]+(?:,\d\d\d)*[\.]?\d*(?:[eE][-+]?\d+)?", s)
    if rr == r:
        print('GOOD')
    else:
        print('WRONG', rr, 'should be', r)

给一切好!

此外,您还可以查看AWS Glue内置regex


我假设你想要的不是整数,而是浮点数,所以我会这样做:

1
2
3
4
5
6
l = []
for t in s.split():
    try:
        l.append(float(t))
    except ValueError:
        pass

请注意,这里发布的其他一些解决方案不适用于负数:

1
2
3
4
5
>>> re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string -30')
['42', '32', '30']

>>> '-3'.isdigit()
False


如果知道字符串中只有一个数字,即"你好12你好",可以尝试筛选。

例如:

1
2
3
4
5
6
In [1]: int(''.join(filter(str.isdigit, '200 grams')))
Out[1]: 200
In [2]: int(''.join(filter(str.isdigit, 'Counters: 55')))
Out[2]: 55
In [3]: int(''.join(filter(str.isdigit, 'more than 23 times')))
Out[3]: 23

但要小心!!!!:

1
2
In [4]: int(''.join(filter(str.isdigit, '200 grams 5')))
Out[4]: 2005


1
2
3
4
5
6
# extract numbers from garbage string:
s = '12//n,_@#$%3.14kjlw0xdadfackvj1.6e-19&*ghn334'
newstr = ''.join((ch if ch in '0123456789.-e' else ' ') for ch in s)
listOfNumbers = [float(i) for i in newstr.split()]
print(listOfNumbers)
[12.0, 3.14, 0.0, 1.6e-19, 334.0]


此答案还包含数字在字符串中浮动时的情况。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
def get_first_nbr_from_str(input_str):
    '''
    :param input_str: strings that contains digit and words
    :return: the number extracted from the input_str
    demo:
    'ab324.23.123xyz': 324.23
    '.5abc44': 0.5
    '''

    if not input_str and not isinstance(input_str, str):
        return 0
    out_number = ''
    for ele in input_str:
        if (ele == '.' and '.' not in out_number) or ele.isdigit():
            out_number += ele
        elif out_number:
            break
    return float(out_number)

我正在寻找一个解决办法,特别是从巴西电话号码中删除弦的面具,这篇文章没有回答,但激发了我的灵感。这是我的解决方案:

1
2
3
>>> phone_number = '+55(11)8715-9877'
>>> ''.join([n for n in phone_number if n.isdigit()])
'551187159877'

我很惊讶地看到,还没有人提到使用itertools.groupby作为实现这一目标的替代方法。

您可以使用itertools.groupby()str.isdigit()从字符串中提取数字,如下所示:

1
2
3
4
from itertools import groupby
my_str ="hello 12 hi 89"

l = [int(''.join(i)) for is_digit, i in groupby(my_str, str.isdigit) if is_digit]

l持有的价值为:

1
[12, 89]

附言:这只是为了说明,作为替代方案,我们也可以使用groupby来实现这一点。但这不是推荐的解决方案。如果你想做到这一点,你应该使用基于使用列表理解的、以str.isdigit为过滤器的格式的公认答案。


使用下面的regex是方法

1
2
3
4
5
6
7
8
9
lines ="hello 12 hi 89"
import re
output = []
line = lines.split()
for word in line:
        match = re.search(r'\d+.?\d*', word)
        if match:
            output.append(float(match.group()))
print (output)

因为这些都没有涉及到Excel和Word文档中的真实世界财务数字,我需要找到它们,这里是我的变体。它处理整数、浮点数、负数、货币数(因为它在拆分时不响应),并且可以选择删除小数部分,只返回整数,或者返回所有内容。

它还处理印度laks数字系统,其中逗号出现不规则,不是每3个数字分开。

它不处理科学记数法,也不处理放在预算括号内的负数——将显示为正数。

它也不提取日期。有更好的方法可以在字符串中查找日期。

1
2
3
4
5
6
7
8
9
import re
def find_numbers(string, ints=True):            
    numexp = re.compile(r'[-]?\d[\d,]*[\.]?[\d{2}]*') #optional - in front
    numbers = numexp.findall(string)    
    numbers = [x.replace(',','') for x in numbers]
    if ints is True:
        return [int(x.replace(',','').split('.')[0]) for x in numbers]            
    else:
        return numbers


我只是在添加这个答案,因为没有人使用异常处理添加了一个答案,而且这也适用于float

1
2
3
4
5
6
7
8
a = []
line ="abcd 1234 efgh 56.78 ij"
for word in line.split():
    try:
        a.append(float(word))
    except ValueError:
        pass
print(a)

输出:

1
[1234.0, 56.78]

@jmnas,我喜欢你的回答,但没有找到浮点数。我正在编写一个脚本来解析到CNC工厂的代码,需要找到可以是整数或浮点的X和Y维度,所以我将您的代码改编为以下内容。这将找到int,并用正值和负值进行浮点运算。仍然找不到十六进制格式的值,但是您可以将"x"和"a"添加到num_char元组中,我认为它将解析类似"0x23ac"的内容。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
s = 'hello X42 I\'m a Y-32.35 string Z30'
xy = ("X","Y")
num_char = (".","+","-")

l = []

tokens = s.split()
for token in tokens:

    if token.startswith(xy):
        num =""
        for char in token:
            # print(char)
            if char.isdigit() or (char in num_char):
                num = num + char

        try:
            l.append(float(num))
        except ValueError:
            pass

print(l)

我找到的最佳选择如下。它将提取一个数字并可以消除任何类型的字符。

1
2
3
4
5
6
7
8
9
def extract_nbr(input_str):
    if input_str is None or input_str == '':
        return 0

    out_number = ''
    for ele in input_str:
        if ele.isdigit():
            out_number += ele
    return float(out_number)