在 Python 数据框中通过 RegEx 删除不同的文本短语

Question

基本上，我想删除嵌入在我的文本数据中的某些短语模式：以大写字母开头，以 Em Dash "—" 结尾以 Em Dash "—" 开头并以 "Read Next" 结尾说，我有以下数据：宿务市——被杀的人权律师的遗孀......引用了 NUPL 的数据，该数据显示过去两年有 34 名律师被杀。— JULIE M. AURELIO 和 DJ YAP 的报告阅读下一个和菲律宾马尼拉——总统……但正义最终会突破他们的有罪不罚之墙，……——来自 MELVIN GASCON、JULIE M. AURELIO、DELFIN T. MALLARI JR.、JEROME ANING、JOVIC YEE、GABRIEL 的报道PABICO LALU、PATHRICIA ANN V. ROXAS、DJ YAP、法新社、APRead Next我想删除以下短语：“宿雾城——”“—来自朱莉 M.奥雷利奥和 DJ YAP 的报告阅读下一个”“菲律宾马尼拉-”“——来自 MELVIN GASCON、JULIE M. AURELIO、DELFIN T. MALLARI JR.、JEROME ANING、JOVIC YEE、GABRIEL PABICO LALU、PATHRICIA ANN V. ROXAS、DJ YAP、法新社、APRead Next 的报道”我假设上面列举的每个模式都需要两个正则表达式。regex:—[A-Z].*Read Next\s*$可能适用于模式＃2，但仅当文本数据中没有其他破折号时才有效。当模式 #1 出现时它不会工作，因为它会从它看到的第一个 em 破折号中删除块，直到“ Read Next ”字符串。我已经为模式 #1 尝试了以下正则表达式：^[A-Z]([A-Za-z]).+(—)$但是怎么就不行了。该正则表达式应该查找以任何大写字母开头的短语，然后是任何长度的字符串，只要它以“—”结尾。

Answer 1

您正在考虑的连字符-实际上并不是连字符，而是称为Em Dash，因此您需要使用此正则表达式，它在开始时使用 em 破折号而不是连字符，

^—[A-Z].*Read Next\s*$

这是这个正则表达式的解释，

• ^ --> 开始输入

• —--> 匹配Em DashUnicode 十进制代码为 8212的文字

• [A-Z] --> 匹配一个大写字母

• .* --> 匹配任意字符零次或多次

• Read Next --> 匹配这些文字

• \s* --> 这是为了匹配任何可能出现在行尾的可选空白

• $ --> 输入结束

Answer 2

应该处理这个的正则表达式 -

^—[A-Z]+(.)*(Read Next)$

你可以尝试在你的数据上实现这个正则表达式，看看它是否有效。