Respostas:
Se você deseja extrair apenas números inteiros positivos, tente o seguinte:
>>> str = "h3110 23 cat 444.4 rabbit 11 2 dog"
>>> [int(s) for s in str.split() if s.isdigit()]
[23, 11, 2]
Eu diria que isso é melhor do que o exemplo regex por três razões. Primeiro, você não precisa de outro módulo; segundo, é mais legível porque você não precisa analisar a minilíngua do regex; e terceiro, é mais rápido (e, portanto, provavelmente mais pitônico):
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
Isso não reconhecerá flutuadores, números inteiros negativos ou números inteiros no formato hexadecimal. Se você não puder aceitar essas limitações, a resposta de Slim abaixo fará o truque.
re
. É uma ferramenta geral e poderosa (para você aprender algo muito útil). A velocidade é um tanto irrelevante na análise de logs (afinal, não é um solucionador numérico intensivo), o re
módulo está na biblioteca padrão do Python e não custa carregá-lo.
mumblejumble45mumblejumble
que eu sabia que havia apenas um número. A solução é simples int(filter(str.isdigit, your_string))
.
str
que substitui o str
objeto e o método no python base. Isso não é uma boa prática, pois você pode precisar mais tarde no script.
int(filter(...))
aumentará TypeError: int() argument must be a string...
para o Python 3.5, para que você possa usar a versão atualizada: int(''.join(filter(str.isdigit, your_string)))
para extrair todos os dígitos para um número inteiro.
Eu usaria um regexp:
>>> import re
>>> re.findall(r'\d+', 'hello 42 I\'m a 32 string 30')
['42', '32', '30']
Isso também corresponderia a 42 de bla42bla
. Se você deseja apenas números delimitados por limites de palavras (espaço, ponto, vírgula), use \ b:
>>> re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string 30')
['42', '32', '30']
Para terminar com uma lista de números em vez de uma lista de cadeias de caracteres:
>>> [int(s) for s in re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string 30')]
[42, 32, 30]
int
e pronto. +1 especialmente para a última parte. Eu sugeriria strings cruas ( r'\b\d+\b' == '\\b\\d+\\b'
).
int_list = [int(s) for s in re.findall('\\d+', 'hello 12 hi 89')]
map
.
Isso é mais que um pouco tarde, mas você pode estender a expressão regex para levar em conta também a notação 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)
Dá tudo de bom!
Além disso, você pode consultar o regex interno do AWS Glue
s = "4"
não retorna correspondências. Pode ser editado para também cuidar disso?
[+-]?\d*[\.]?\d*(?:(?:[eE])[+-]?\d+)?
Este grupo dá alguns falsos positivos (ou seja, +
é capturado por si só às vezes), mas é capaz de lidar com mais formas, como .001
, além de que não combinam números automaticamente (como em s=2+1
)
[-+]?[.]?[\d]+(?:,\d\d\d)*[\.]?\d*(?:[eE][-+]?\d+)?
- tão bobo da minha parte ... como eu não conseguia pensar nisso?
Suponho que você queira carros alegóricos, não apenas números inteiros, então eu faria algo assim:
l = []
for t in s.split():
try:
l.append(float(t))
except ValueError:
pass
Observe que algumas das outras soluções postadas aqui não funcionam com números negativos:
>>> re.findall(r'\b\d+\b', 'he33llo 42 I\'m a 32 string -30')
['42', '32', '30']
>>> '-3'.isdigit()
False
float
para int
.
re.findall("[-\d]+", "1 -2")
continue
vez de pass
no loop?
Se você sabe que haverá apenas um número na string, ou seja, 'olá 12 oi', você pode tentar filtrar.
Por exemplo:
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
Mas tenha cuidado !!! :
In [4]: int(''.join(filter(str.isdigit, '200 grams 5')))
Out[4]: 2005
TypeError: int() argument must be a string, a bytes-like object or a number, not 'filter'
- corrigi-lo usandoint("".join(filter(str.isdigit, '200 grams')))
# extract numbers from garbage string:
s = '12//n,_@#$%3.14kjlw0xdadfackvj1.6e-19&*ghn334'
newstr = ''.join((ch if ch in '0123456789.-e' else ' ') for ch in s)
listOfNumbers = [float(i) for i in newstr.split()]
print(listOfNumbers)
[12.0, 3.14, 0.0, 1.6e-19, 334.0]
Eu estava procurando uma solução para remover as máscaras de strings, especificamente dos números de telefones brasileiros, este post não respondeu, mas me inspirou. Esta é a minha solução:
>>> phone_number = '+55(11)8715-9877'
>>> ''.join([n for n in phone_number if n.isdigit()])
'551187159877'
Usando Regex abaixo é o caminho
lines = "hello 12 hi 89"
import re
output = []
#repl_str = re.compile('\d+.?\d*')
repl_str = re.compile('^\d+$')
#t = r'\d+.?\d*'
line = lines.split()
for word in line:
match = re.search(repl_str, word)
if match:
output.append(float(match.group()))
print (output)
com findall
re.findall(r'\d+', "hello 12 hi 89")
['12', '89']
re.findall(r'\b\d+\b', "hello 12 hi 89 33F AC 777")
['12', '89', '777']
findall()
repl_str = re.compile('\d+.?\d*')
deve ser: repl_str = re.compile('\d+\.?\d*')
Para um exemplo reproduzível usando python3.7 re.search(re.compile(r'\d+.?\d*'), "42G").group()
'42G' re.search(re.compile(r'\d+\.?\d*'), "42G").group()
'42' #
line2 = "hello 12 hi 89"
temp1 = re.findall(r'\d+', line2) # through regular expression
res2 = list(map(int, temp1))
print(res2)
Oi ,
você pode pesquisar todos os números inteiros na cadeia de caracteres usando dígitos, usando a expressão findall.
Na segunda etapa, crie uma lista res2 e adicione os dígitos encontrados na string a esta lista
espero que isto ajude
Atenciosamente, Diwakar Sharma
Esta resposta também contém o caso em que o número é flutuante na string
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)
Fico surpreso ao ver que ninguém mencionou ainda o uso de itertools.groupby
uma alternativa para conseguir isso.
Você pode usar itertools.groupby()
junto com str.isdigit()
para extrair números da string 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]
O valor retido por l
será:
[12, 89]
PS: Isto é apenas para fins ilustrativos, para mostrar que, como alternativa, também poderíamos usar groupby
para conseguir isso. Mas essa não é uma solução recomendada. Se você deseja conseguir isso, deve usar a resposta aceita da fmark com base no uso da compreensão de lista str.isdigit
como filtro.
Estou apenas adicionando esta resposta porque ninguém adicionou uma usando manipulação de exceção e porque isso também funciona para carros alegóricos
a = []
line = "abcd 1234 efgh 56.78 ij"
for word in line.split():
try:
a.append(float(word))
except ValueError:
pass
print(a)
Resultado :
[1234.0, 56.78]
Para capturar padrões diferentes, é útil consultar com padrões diferentes.
'[\ d] + [., \ d] +'
'[\ d] * [.] [\ d] +'
'[\ d] +'
(Nota: Coloque os padrões complexos em primeiro lugar, caso contrário, os padrões simples retornarão pedaços da captura complexa em vez de a captura complexa retornar a captura completa).
p = '[\d]+[.,\d]+|[\d]*[.][\d]+|[\d]+'
Abaixo, confirmaremos a presença de um padrão re.search()
e retornaremos uma lista iterável de capturas. Por fim, imprimiremos cada captura usando a notação entre colchetes para selecionar novamente o valor de retorno do objeto de correspondência do objeto de correspondência.
s = 'he33llo 42 I\'m a 32 string 30 444.4 12,001'
if re.search(p, s) is not None:
for catch in re.finditer(p, s):
print(catch[0]) # catch is a match object
Devoluções:
33
42
32
30
444.4
12,001
Como nenhum deles lida com números financeiros do mundo real em excel e word docs que eu precisava encontrar, aqui está minha variação. Ele lida com ints, floats, números negativos, números de moeda (porque não responde na divisão) e tem a opção de eliminar a parte decimal e apenas retornar ints ou retornar tudo.
Ele também lida com o sistema de números dos Laks indianos, onde as vírgulas aparecem de maneira irregular, e não a cada três números.
Ele não lida com notação científica ou números negativos colocados entre parênteses nos orçamentos - parecerão positivos.
Também não extrai datas. Existem maneiras melhores de encontrar datas em strings.
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
@ jmnas, gostei da sua resposta, mas não encontrou carros alegóricos. Estou trabalhando em um script para analisar o código que vai para uma fábrica CNC e precisava encontrar as dimensões X e Y que podem ser números inteiros ou flutuantes, então adaptei seu código ao seguinte. Isso encontra int, float com valores positivos e negativos. Ainda não encontra valores no formato hexadecimal, mas você pode adicionar "x" e "A" a "F" à num_char
tupla e acho que analisaria coisas 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)
A melhor opção que encontrei está abaixo. Ele extrairá um número e pode eliminar qualquer tipo de caractere.
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)
Para números de telefone, você pode simplesmente excluir todos os caracteres que não sejam dígitos com \ D no regex:
import re
phone_number = '(619) 459-3635'
phone_number = re.sub(r"\D", "", phone_number)
print(phone_number)