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

87.78%

英語と日本語が合体した単語だけを除きたい

解決済

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 412

score 5

前提・実現したいこと

pythonで地名に関するデータを編集をしています。
データとしては、下記のような形です。

Tokyo-to, Japan
北海道 小樽市
Shibuya-ku, Tokyo
東京 新宿区
長野 松本市
Shibuya-ku, Tokyo
JRA 東京競馬場
Joetsu-shi, Niigata
JR三ノ宮駅
Shinto-mura, Gunma
JR 東海三島駅・新幹線
Chiyoda-ku, Tokyo
Aomori-shi, Aomori

ここから、JR三宮駅、JRA 東京競馬場といった、英語と日本語が合体した単語だけを除きたいのですが
どうしたらいいのでしょうか?

発生している問題・エラーメッセージ

日本語だけの地名は省くことができ、以下のようなデータを取るとこまではできました。

Tokyo-to, Japan
Shibuya-ku, Tokyo
Shibuya-ku, Tokyo
JRA 東京競馬場
Joetsu-shi, Niigata
JR三ノ宮駅
Shinto-mura, Gunma
JR 東海三島駅・新幹線
Chiyoda-ku, Tokyo
Aomori-shi, Aomori

該当のソースコード

import re

for i in res["hits"]["hits"]:
    match = re.match('[a-zA-Z]', i["_source"]["place"]["full_name"])
    if match != None:
        print(i["_source"]["place"]["full_name"])


i["_source"]["place"]["full_name"]に元のデータが入ってます

試したこと

re.search('[ぁ-ん ァ-ン 一-龥]', i["_source"]["place"]["full_name"])をつかって、if match != None:の分岐後、日本語を含む単語であれば、その地名を省くように書いたのですが省かれませんでした

補足情報(FW/ツールのバージョンなど)

python3 正規表現

  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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 1

checkベストアンサー

+4

漢字やひらがな、カタカナは全部が Unicode 上で連続して並んでいるわけではないので、ぁ-ん ァ-ン 一-龥 のように範囲で判定するのは無理なのではないでしょか。
調べたら以下のやり方が見つかりました。

方法1: regex で Unicode プロパティでマッチさせる。

Unicode のプロパティマップというのがあるそうですが、標準ライブラリは re モジュールは対応していないので、regex という外部のライブラリを使う必要があるみたいです。

正規表現での漢字マッチをUnicodeプロパティーを使って綺麗に書く方法 in Python - Qiita

方法2: Unicode 文字の名前で判断する。

例えば、 の Unicode 上での正式名称は HIRAGANA LETTER A 、漢字だと CJK UNIFIED ~ となっているので、この名称で判断する方法もあります。

print(unicodedata.name("あ"))  # HIRAGANA LETTER A
print(unicodedata.name("毛"))  # CJK UNIFIED IDEOGRAPH-6BDB

Pythonで、文字列に日本語が含まれているか判定する - minus9d's diary

方法2の場合のコード

import unicodedata

lst = [
    "Tokyo-to, Japan",
    "北海道 小樽市",
    "Shibuya-ku, Tokyo",
    "東京 新宿区",
    "長野 松本市",
    "Shibuya-ku, Tokyo",
    "JRA 東京競馬場",
    "Joetsu-shi, Niigata",
    "JR三ノ宮駅",
    "Shinto-mura, Gunma",
    "JR 東海三島駅・新幹線",
    "Chiyoda-ku, Tokyo",
    "Aomori-shi, Aomori",
]


def is_japanese(string):
    include_jp = False  # string が日本語 (漢字、カタカナ、ひらがな) を含むかどうか
    include_en = False  # string がアルファベットを含むかどうか
    for ch in string:
        name = unicodedata.name(ch)
        if "CJK UNIFIED" in name or "HIRAGANA" in name or "KATAKANA" in name:
            include_jp = True
        elif "LATIN" in name:
            include_en = True

    # 日本語とアルファベットの両方が含まれる場合は False そうでない場合は True を返す。
    return not (include_jp and include_en)


lst = list(filter(is_japanese, lst))

for name in lst:
    print(name)
# Tokyo-to, Japan
# 北海道 小樽市
# Shibuya-ku, Tokyo
# 東京 新宿区
# 長野 松本市
# Shibuya-ku, Tokyo
# Joetsu-shi, Niigata
# Shinto-mura, Gunma
# Chiyoda-ku, Tokyo
# Aomori-shi, Aomori
JRA 東京競馬場
JR三ノ宮駅
JR 東海三島駅・新幹線

の3件が除外されました。

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。

  • 2020/01/25 17:25

    方法2でできました。本当にありがとうございます。コードまで書いていただいて、ソースの記事まで貼っていただき、助かりました!

    キャンセル

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 87.78%
  • 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

関連した質問

同じタグがついた質問を見る