Divida uma string em letras maiúsculas

Qual é a maneira pythônica de dividir uma string antes das ocorrências de um determinado conjunto de caracteres?

Por exemplo, desejo dividir 'TheLongAndWindingRoad' em qualquer ocorrência de uma letra maiúscula (possivelmente exceto a primeira) e obter ['The', 'Long', 'And', 'Winding', 'Road'].

Edit: Ele também deve dividir ocorrências únicas, ou seja, de 'ABC'que eu gostaria de obter ['A', 'B', 'C'].

Infelizmente, não é possível dividir em uma correspondência de largura zero no Python. Mas você pode usar em re.findallvez disso:

>>> import re
>>> re.findall('[A-Z][^A-Z]*', 'TheLongAndWindingRoad')
['The', 'Long', 'And', 'Winding', 'Road']
>>> re.findall('[A-Z][^A-Z]*', 'ABC')
['A', 'B', 'C']

Aqui está uma solução alternativa de regex. O problema pode ser reprogramado como "como faço para inserir um espaço antes de cada letra maiúscula, antes de fazer a divisão":

>>> s = "TheLongAndWindingRoad ABC A123B45"
>>> re.sub( r"([A-Z])", r" \1", s).split()
['The', 'Long', 'And', 'Winding', 'Road', 'A', 'B', 'C', 'A123', 'B45']

Isso tem a vantagem de preservar todos os caracteres que não sejam de espaço em branco, o que a maioria das outras soluções não faz.

>>> import re
>>> re.findall('[A-Z][a-z]*', 'TheLongAndWindingRoad')
['The', 'Long', 'And', 'Winding', 'Road']

>>> re.findall('[A-Z][a-z]*', 'SplitAString')
['Split', 'A', 'String']

>>> re.findall('[A-Z][a-z]*', 'ABC')
['A', 'B', 'C']

Se você quiser "It'sATest"dividir, ["It's", 'A', 'Test']mude o rexeg para"[A-Z][a-z']*"

Uma variação da solução de @ChristopheD

s = 'TheLongAndWindingRoad'

pos = [i for i,e in enumerate(s+'A') if e.isupper()]
parts = [s[pos[j]:pos[j+1]] for j in xrange(len(pos)-1)]

print parts

Use um olhar à frente:

No Python 3.7, você pode fazer isso:

re.split('(?=[A-Z])', 'theLongAndWindingRoad')

E produz:

['the', 'Long', 'And', 'Winding', 'Road']

import re
filter(None, re.split("([A-Z][^A-Z]*)", "TheLongAndWindingRoad"))

ou

[s for s in re.split("([A-Z][^A-Z]*)", "TheLongAndWindingRoad") if s]

src = 'TheLongAndWindingRoad'
glue = ' '

result = ''.join(glue + x if x.isupper() else x for x in src).strip(glue).split(glue)

Eu acho que uma resposta melhor pode ser para dividir a string em palavras que não terminam em uma capital. Isso resolveria o caso em que a string não começa com uma letra maiúscula.

 re.findall('.[^A-Z]*', 'aboutTheLongAndWindingRoad')

exemplo:

>>> import re
>>> re.findall('.[^A-Z]*', 'aboutTheLongAndWindingRoadABC')
['about', 'The', 'Long', 'And', 'Winding', 'Road', 'A', 'B', 'C']

Solução alternativa (se você não gosta de regexes explícitas):

s = 'TheLongAndWindingRoad'

pos = [i for i,e in enumerate(s) if e.isupper()]

parts = []
for j in xrange(len(pos)):
    try:
        parts.append(s[pos[j]:pos[j+1]])
    except IndexError:
        parts.append(s[pos[j]:])

print parts

Outro sem regex e a capacidade de manter letras maiúsculas contíguas, se desejado

def split_on_uppercase(s, keep_contiguous=False):
    """

    Args:
        s (str): string
        keep_contiguous (bool): flag to indicate we want to 
                                keep contiguous uppercase chars together

    Returns:

    """

    string_length = len(s)
    is_lower_around = (lambda: s[i-1].islower() or 
                       string_length > (i + 1) and s[i + 1].islower())

    start = 0
    parts = []
    for i in range(1, string_length):
        if s[i].isupper() and (not keep_contiguous or is_lower_around()):
            parts.append(s[start: i])
            start = i
    parts.append(s[start:])

    return parts

>>> split_on_uppercase('theLongWindingRoad')
['the', 'Long', 'Winding', 'Road']
>>> split_on_uppercase('TheLongWindingRoad')
['The', 'Long', 'Winding', 'Road']
>>> split_on_uppercase('TheLongWINDINGRoadT', True)
['The', 'Long', 'WINDING', 'Road', 'T']
>>> split_on_uppercase('ABC')
['A', 'B', 'C']
>>> split_on_uppercase('ABCD', True)
['ABCD']
>>> split_on_uppercase('')
['']
>>> split_on_uppercase('hello world')
['hello world']

Isso é possível com a more_itertools.split_beforeferramenta.

import more_itertools as mit


iterable = "TheLongAndWindingRoad"
[ "".join(i) for i in mit.split_before(iterable, pred=lambda s: s.isupper())]
# ['The', 'Long', 'And', 'Winding', 'Road']

Ele também deve dividir as ocorrências únicas, ou seja, de 'ABC'Desejo obter ['A', 'B', 'C'].

iterable = "ABC"
[ "".join(i) for i in mit.split_before(iterable, pred=lambda s: s.isupper())]
# ['A', 'B', 'C']

more_itertoolsé um pacote de terceiros com mais de 60 ferramentas úteis, incluindo implementações para todas as receitas de itertools originais , o que elimina sua implementação manual.

Uma maneira alternativa sem usar regex ou enumerar:

word = 'TheLongAndWindingRoad'
list = [x for x in word]

for char in list:
    if char != list[0] and char.isupper():
        list[list.index(char)] = ' ' + char

fin_list = ''.join(list).split(' ')

Acho que é mais claro e simples, sem encadear muitos métodos ou usar uma longa lista de compreensão que pode ser difícil de ler.

Uma forma alternativa usando enumerateeisupper()

Código:

strs = 'TheLongAndWindingRoad'
ind =0
count =0
new_lst=[]
for index, val in enumerate(strs[1:],1):
    if val.isupper():
        new_lst.append(strs[ind:index])
        ind=index
if ind<len(strs):
    new_lst.append(strs[ind:])
print new_lst

Resultado:

['The', 'Long', 'And', 'Winding', 'Road']

Compartilhando o que me veio à mente quando li a postagem. Diferente de outras postagens.

strs = 'TheLongAndWindingRoad'

# grab index of uppercase letters in strs
start_idx = [i for i,j in enumerate(strs) if j.isupper()]

# create empty list
strs_list = []

# initiate counter
cnt = 1

for pos in start_idx:
    start_pos = pos

    # use counter to grab next positional element and overlook IndexeError
    try:
        end_pos = start_idx[cnt]
    except IndexError:
        continue

    # append to empty list
    strs_list.append(strs[start_pos:end_pos])

    cnt += 1

A forma pitônica pode ser:

"".join([(" "+i if i.isupper() else i) for i in 'TheLongAndWindingRoad']).strip().split()
['The', 'Long', 'And', 'Winding', 'Road']

Funciona bem para Unicode, evitando re / re2.

"".join([(" "+i if i.isupper() else i) for i in 'СуперМаркетыПродажаКлиент']).strip().split()
['Супер', 'Маркеты', 'Продажа', 'Клиент']

Substitua todas as letras maiúsculas 'L' no dado com um espaço vazio mais a letra "L". Podemos fazer isso usando a compreensão de lista ou podemos definir uma função para fazer isso da seguinte maneira.

s = 'TheLongANDWindingRoad ABC A123B45'
''.join([char if (char.islower() or not char.isalpha()) else ' '+char for char in list(s)]).strip().split()
>>> ['The', 'Long', 'A', 'N', 'D', 'Winding', 'Road', 'A', 'B', 'C', 'A123', 'B45']

Se você escolher seguir uma função, veja como.

def splitAtUpperCase(text):
    result = ""
    for char in text:
        if char.isupper():
            result += " " + char
        else:
            result += char
    return result.split()

No caso do exemplo dado:

print(splitAtUpperCase('TheLongAndWindingRoad')) 
>>>['The', 'Long', 'A', 'N', 'D', 'Winding', 'Road']

Mas na maioria das vezes que estamos dividindo uma frase em letras maiúsculas, geralmente queremos manter as abreviaturas que são tipicamente um fluxo contínuo de letras maiúsculas. O código abaixo ajudaria.

def splitAtUpperCase(s):
    for i in range(len(s)-1)[::-1]:
        if s[i].isupper() and s[i+1].islower():
            s = s[:i]+' '+s[i:]
        if s[i].isupper() and s[i-1].islower():
            s = s[:i]+' '+s[i:]
    return s.split()

splitAtUpperCase('TheLongANDWindingRoad')

>>> ['The', 'Long', 'AND', 'Winding', 'Road']

Obrigado.