python 数字が一か所入っている文字列から数字を取り出す一番処理が軽い方法ってなんですか？

Question

python で数字が一か所入っている文字列sがあるとします。
なので、これはsで

'1yen'
'23dogs'
'there is 45 dogs'

これはsではないです

'1 2'
'1 and 2 and 3 and 4'
'1or5'

このsから数字だけを取り出したいです。この場合、一番処理が軽い方法は正規表現ですか？それとも他にもっと軽いやり方はありますか？

Answer 1

最速かどうかはわかりませんが、正規表現が簡単で実用的な速度が得られるでしょう。

[0-9]+か\d+などがわかりやすいですが、細かい要件は詰めておく必要があります（全角、漢数字など気にすることは色々あります）。

Answer 2

先程の回答は質問を読み違えてたので、コードのみ再投稿します。

• take_s: itertools.groupby で 数字と数字以外に分離する方法。
• take_s_re: 正規表現を使った方法。

import re
import string
import itertools

# 全角文字も含む場合
# key=str.isdigit
#
# 半角のみ
# key=string.digits.__contains__


def take_s(s, key=string.digits.__contains__,
           groupby=itertools.groupby,
           result=None, strjoin="".join):
    """
    >>> take_s('1yen')
    1
    >>> take_s('23dogs')
    23
    >>> take_s('there is 45 dogs')
    45
    >>> take_s('zero 0')
    0

    >>> take_s('1 2')
    >>> take_s('1 and 2 and 3 and 4')
    >>> take_s('1or5')
    >>> take_s('zero 0 zero 0')
    """

    for isdigit, digits in groupby(s, key):
        if isdigit: # 数値のグループ
            if result is not None: # 2個目以降の数値が見つかった場合 None
                return
            else:
                result = int(strjoin(digits))
    return result


def take_s_re(s, match=re.compile(r"^\D*(\d+)\D*$").match):
    """
    >>> take_s_re('1yen')
    1
    >>> take_s_re('23dogs')
    23
    >>> take_s_re('there is 45 dogs')
    45
    >>> take_s_re('zero 0')
    0

    >>> take_s_re('1 2')
    >>> take_s_re('1 and 2 and 3 and 4')
    >>> take_s_re('1or5')
    >>> take_s_re('zero 0 zero 0')
    """
    # py3.8) if m := match(s):
    m = match(s)
    if m:
        return int(m.group(1))


if __name__ == "__main__":
    import doctest
    doctest.testmod()

---

追記: 試していない事

• pypy や Numba 等での JITコンパイル。
• 全角数字を対象にした場合の、正規表現 vs str.isdigit

Answer 3

軽いかどうかは分からないけど、リスト内包表記で。

>>> def digit(s):
...     return ''.join([c for c in s if c.isdigit()])
...
>>> digit('1yen')
'1'
>>> digit('23dogs')
'23'
>>> digit('there is 45 dogs')
'45'

ジェネレータ式でもできるけど、内包表記の方が早い気がします。

>>> def digit(s):
...     return ''.join(c for c in s if c.isdigit())
...
>>> digit('1yen')
'1'
>>> digit('23dogs')
'23'
>>> digit('there is 45 dogs')
'45'

Answer 4

正規表現以外のやり方もありますが、軽いかどうかわかりません。

def match(s):
    a = -1
    b = n = len(s)
    for i in range(n):
        if s[i] >= '0' and s[i] <= '9':
            if a < 0:
                a = i
            elif b < n:
                return None
        elif a >= 0 and b == n:
            b = i
    return None if a < 0 else s[a:b]

a = [ '1yen', '23dogs', 'there is 45 dogs', '1 2',
    '1 and 2 and 3 and 4', '1or5' ]
r = [ match(s) for s in a ]
print(a)
print(r)

正規表現を使うと

import re

class Dig:
    pat = re.compile(r"^\D*(\d+)\D*$")
    def match(s):
        mat = Dig.pat.match(s)
        return mat.group(1) if mat else None

a = [ '1yen', '23dogs', 'there is 45 dogs', '1 2',
    '1 and 2 and 3 and 4', '1or5' ]
r = [ Dig.match(s) for s in a ]
print(a)
print(r)

どちらが軽いか(速いか?)は自分で測定してみてください。

追記
質問を「与えられた文字列の中に、数字列が1個所だけあればその数字列を返し、
数字列が無いまたは2個所以上ある場合は何も返さない」だと誤解していました。

数字列が必ず1個所だけある文字列が与えられるのですね。

import re

pat = re.compile(r"\D")

a = [ '1yen', '23dogs', 'there is 45 dogs' ]
r = [ pat.sub("", s) for s in a ]
print(a)
print(r)

正規表現を使わないで、数字列の開始点と終了点を探すと、

def match(s):
    a = -1
    b = n = len(s);
    for i in range(n):
        if s[i].isdigit():
            if a < 0:
                a = i
        elif a >= 0:
            b = i
            break
    return s[a:b]

a = [ '1yen', '23dogs', 'there is 45 dogs' ]
r = [ match(s) for s in a ]
print(a)
print(r)