質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.03%

pythonで文字列の分割に例外を作る

解決済

回答 3

投稿

  • 評価
  • クリップ 0
  • VIEW 82

Sonono

score 34

text = "東京海洋大大阪大富山大宮崎大埼玉県立大"


という文字列を、

textli= ['東京海洋大', '大阪大', '富山大', '宮崎大', '埼玉県立大']


というリストに変換したいです。「大」でsplitすると、大阪大が分割されてしまうため、これを回避したいのですがうまくかけません。教えていただけると幸いです。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 3

checkベストアンサー

+1

アドホックな方法ですけれど、例えばこんなふうにしてみたらどうでしょう。

import re

text = '東京海洋大大阪大富山大宮崎大埼玉県立大国際基督教大大東文化大'
univs = re.findall(r'[^大]+大|.{2,4}大|.', text)
assert all(len(e)!=1 for e in univs), str(univs)

print(univs)

実行結果 Wandbox

['東京海洋大', '大阪大', '富山大', '宮崎大', '埼玉県立大', '国際基督教大', '大東文化大']

この方法には穴があり、例えば '大東文化国際大' みたいな大学が現れると破綻します。


そもそも完全にパースすることは人間にも不可能ですので、
できるだけシンプルな方法を試してみて、上手く行かないときに微調整する方針になりそうです。

さいあく特定の大学名だけ前以て抽出し、大学名に『大』の字は含まれないという前提で分割します。

追記

よく考えたらこういうのもアリですね。

import re

text = '東京海洋大大阪大富山大宮崎大埼玉県立大国際基督教大大東文化大'
univs = re.split(r'(?<!大大)(?<=大)', text)[:-1]
# re.split(r'(?<!大.)(?<=大)(?=.)', text) でも良いです。

print(univs)

実行結果 Wandbox

['東京海洋大', '大阪大', '富山大', '宮崎大', '埼玉県立大', '国際基督教大', '大東文化大']

これなら『日本大阪大』のように、人間にもパース不可能なもの以外は上手く処理できます。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2019/11/09 08:24

    とりあえず大阪大を抽出したいので、Louisさんのふたつめの方法でやってみることにしました。みなさんありがとうございました!

    キャンセル

+1

○○大のイメージで「2文字以上+大」で区切るのを基本にして、判定をミスするケースは例外として追加していくアプローチはどうでしょうか。
たとえば、このアプローチでは実在する(した)大学のうち「大阪大谷大」「呉大」は正しく抽出できないので、以下のように例外処理としてマッチングパタンを直に書いておきます。

import re

text = "大阪大谷大東京海洋大大谷大大阪河崎リハビリテーション大大阪大富山大宮崎大埼玉県立大東大阪大呉大"
res = re.findall(r'呉大|大阪大谷大|...*?大', text)
print(res)
# ['大阪大谷大', '東京海洋大', '大谷大', '大阪河崎リハビリテーション大', '大阪大', '富山大', '宮崎大', '埼玉県立大', '東大阪大', '呉大']

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

大大 となっている場合に2番の大は 大の大でなく、 側の先頭藻塩だと処理してやることにしてどうでしょう?
text データの "大大" に前処理をしてみました。

g.py

import re

text = "東京海洋大大阪大富山大宮崎大埼玉県立大"
print(text)

print()
z = re.sub("大", "大,", text)
print(z)
zz = re.sub("大,大,", "大,大", z)
print(zz)
print()

text2 = [x for x in zz.split(",") if x != ""]
print(text2)

実行結果
イメージ説明

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.03%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる