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!

新規登録して質問してみよう
ただいま回答率
85.35%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

自然言語処理

自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。

Q&A

解決済

2回答

796閲覧

re.sub()で'$'の削除ができません

s.f.

総合スコア1

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

自然言語処理

自然言語処理は、日常的に使用される自然言語をコンピューターに処理させる技術やソフトウェアの総称です。

0グッド

0クリップ

投稿2021/09/07 15:29

前提・実現したいこと

VADERを利用してビットコイン関連のツイートを感情分析をするために、CSVから読み込んだ150万件のテキストの前処理をしている段階です。

発生している問題・エラーメッセージ

いくつかの前処理をする中でTicker Symbol($)の削除だけうまく行きません。
例) '$BTC' → '' としたいの、'$BTC' → '$BTC' のままになってしまいます。
エラーはない状態で、その他の処理はできています。

該当のソースコード

python

1import pandas as pd 2import re 3import nltk 4 5nltk.download('stopwords') 6from nltk.corpus import stopwords 7sw = stopwords.words('english') 8 9#テキスト前処理 10def clean_up_tweet(txt): 11 # メンション削除 12 txt = re.sub(r'@[A-Za-z0-9_]+', '', txt) 13 # URL削除 14 txt = re.sub(r'https?://[A-Za-z0-9./]+', '', txt) 15 # ハッシュタグ削除 16 txt = re.sub(r'#', '', txt) 17 # ticker symbolの削除(これがうまくいきません) 18 txt = re.sub(r'$[A-Za-z0-9]', '', txt) 19 # 全角スペース、タブ、改行削除 20 txt = re.sub(r'[\u3000\t\n]', '', txt) 21 # 小文字に統一 22 txt = txt.lower() 23 # 数値の削除 24 txt = re.sub(r'[0-9]', '', txt) 25 # ストップワードの削除 26 txt = ' '.join([word for word in txt.split() if word not in sw]) 27 28 return txt 29 30df = pd.read_csv('./2021-01_tweet.csv', usecols = ['Tweet']) 31df['Tweet'] = df['Tweet'].apply(clean_up_tweet) 32df.to_csv('./2021-01_tweet2.csv', index=False)

試したこと

txt = re.sub(r'$[A-Za-z0-9]', '', txt)
の部分を、
txt = re.sub(r'$', '', txt)
txt = re.sub('$[A-Za-z0-9]', '', txt)
などに変えてみましたが、結果は変わりませんでした

補足情報(FW/ツールのバージョンなど)

jupyter lab 3.0.16

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答2

0

ベストアンサー

txt = re.sub(r'$[A-Za-z0-9]', '', txt)

$は正規表現で行末を表すメタ文字ですのでエスケープが必要です。

Python

1txt = re.sub(r'$[A-Za-z0-9]', '', txt)

しかしこれでは$BTC$Bにしかマッチしないので置換結果はTCになります。
$と1文字以上の英数字の連続を置換したいなら

Python

1txt = re.sub(r'$[A-Za-z0-9]+', '', txt)

です。1文字以上ではなく0文字以上なら

Python

1txt = re.sub(r'$[A-Za-z0-9]*', '', txt)

です。

投稿2021/09/07 16:08

itagagaki

総合スコア8402

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

s.f.

2021/09/07 16:16

解決しました。 ありがとうございます。
guest

0

txt = re.sub(r'$[A-Za-z0-9]*', '', txt) ではないのですか?
\* を追加しました。

投稿2021/09/07 16:04

kazuma-s

総合スコア8224

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.35%

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る

質問する

関連した質問