regulares - Python: Extraer números de una cadena

len en python

Question

Extraería todos los números contenidos en una cadena. ¿Cuál es el más adecuado para el propósito, las expresiones regulares o el método isdigit() ?

Ejemplo:

line = "hello 12 hi 89"

Resultado:

[12, 89]

Answer 1

¿Qué sucede si tiene un par de estas líneas en su archivo de texto y desea almacenarlas por línea?

Answer 2

@jmnas, me gustó tu respuesta, pero no encontró flotadores. Estoy trabajando en una secuencia de comandos para analizar el código que va a un molino CNC y necesitaba encontrar las dimensiones X e Y que pueden ser enteros o flotantes, por lo que adapté su código a lo siguiente. Esto encuentra int, flotar con valores positivos y negativos. Aún no encuentra valores con formato hexadecimal, pero podría agregar "x" y "A" a "F" a la tupla num_char y creo que analizaría cosas como ''0x23AC''.

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)

Answer 3

Como ninguno de estos se ocupó de los números financieros del mundo real en Excel y documentos de Word que necesitaba encontrar, aquí está mi variación. Maneja ints, flotantes, números negativos, números de moneda (porque no responde en la división) y tiene la opción de descartar la parte decimal y devolver solo ints, o devolver todo.

También maneja el sistema de números de Indian Laks donde las comas aparecen de manera irregular, no cada 3 números separados.

No maneja la notación científica o los números negativos colocados dentro de paréntesis en los presupuestos, aparecerán positivos.

Tampoco extrae fechas. Hay mejores maneras de encontrar fechas en cadenas.

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

Answer 4

Esta respuesta también contiene el caso cuando el número es flotante en la cadena

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)

Answer 5

Estaba buscando una solución para eliminar las máscaras de cuerdas, específicamente de los números de teléfonos brasileños, esta publicación no fue respondida pero me inspiró. Esta es mi solución:

>>> phone_number = ''[phone]''
>>> ''''.join([n for n in phone_number if n.isdigit()])
''551187159877''

Answer 6

Esto es más que un poco tarde, pero también puede extender la expresión regular para tener en cuenta la notación científica.

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)

¡Da todo lo bueno!

Además, puede consultar la expresión regular incorporada de AWS Glue

Answer 7

La mejor opción que encontré está abajo. Extraerá un número y podrá eliminar cualquier tipo de char.

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)    

Answer 8

Me sorprende ver que nadie ha mencionado aún el uso de itertools.groupby como alternativa para lograr esto.

Puede usar itertools.groupby junto con str.isdigit() para extraer números de la cadena como:

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]

El valor retenido por l será:

[12, 89]

PD: Esto es solo con fines ilustrativos para mostrar que, como alternativa, también podemos utilizar groupby para lograr esto. Pero esta no es una solución recomendada. Si desea lograr esto, debe utilizar la respuesta aceptada de fmark basándose en el uso de comprensión de lista con str.isdigit como filtro.

Answer 9

Si sabe que solo habrá un número en la cadena, es decir, ''hola 12 hola'', puede probar el filtro.

Por ejemplo:

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

¡Pero ten cuidado! :

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

Answer 10

Si solo desea extraer solo enteros positivos, intente lo siguiente:

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

Yo diría que esto es mejor que el ejemplo de expresiones regulares por tres razones. Primero, no necesitas otro módulo; en segundo lugar, es más legible porque no necesita analizar el mini-lenguaje de expresiones regulares; y tercero, es más rápido (y, por lo tanto, probablemente más pitón):

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

Esto no reconocerá flotantes, enteros negativos o enteros en formato hexadecimal. Si no puedes aceptar estas limitaciones, la respuesta de Slim a continuación hará el truco.

Answer 11

Supongo que quieres flotadores no solo enteros, así que haría algo como esto:

l = []
for t in s.split():
    try:
        l.append(float(t))
    except ValueError:
        pass

Tenga en cuenta que algunas de las otras soluciones publicadas aquí no funcionan con números negativos:

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

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

Answer 12

Usar Regex a continuación es el camino

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)

Answer 13

Yo usaría una expresión regular:

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

Esto también coincidiría con 42 de bla42bla . Si solo desea números delimitados por límites de palabras (espacio, punto, coma), puede usar / b:

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

Para terminar con una lista de números en lugar de una lista de cadenas:

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

Answer 14

# 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]