NLP文本清理时常用的python小函数

 # coding = utf-8
 import re

1. 清理杂七杂八字符

 '''
 [a-zA-Z0-9] 字母数字
 [\u4e00-\u9fa5] 汉字的utf-8 code范围
 '''
 # 保留字母、数字、汉字和标点符号(),.!?":
 def remove_others(s):
     return re.sub(r'[^a-zA-Z0-9\u4e00-\u9fa5(),.!?":]', ' ', s)

 # 删除多余的空白(including spaces, tabs, line breaks)'''
 def remove_whitespaces(s):
     return re.sub(r'\s{2,}', ' ', s)

2. 社交媒体文本中清除 @其他人

 def remove_atpeople(s):
     '''删除文本中@与其后面第一个空格之间的内容'''
     s = re.sub(r'@', ' @', s)
     s = re.sub(r':', ': ', s)
     ls = s.split()
     nls = []
     for t in ls:
         if t[0] == '@':
             continue
         else:
             nls.append(t) 

     return ' '.join(nls)