我正在努力做我的标题所说的。我有一个大约3万个商业地址列表，我试图让每个地址尽可能统一
至于删除奇怪的符号和字符，我找到了三条建议，但我不明白它们是如何不同的。
如果有人能够解释这些差异，或者提供更好的标准化地址信息的方法，请谢谢！
address = re.sub(r'([^\s\w]|_)+', '', address)
address = re.sub('[^a-zA-Z0-9-_*.]', '', address)
address = re.sub(r'[^\w]', ' ', address)
答案 0 :(得分：1)
第一个建议使用\s和\w正则表达式通配符。
\s表示＆＃34;匹配任何空格＆＃34;。
\w表示＆＃34;匹配任何字母或数字＆＃34;。
这被用作反向捕获组（[^\s\w]），它们一起意味着匹配任何不是空格，字母或数字的东西＆＃34;。最后，使用替代|与_合并，它只匹配下划线并给出匹配一次或多次的+量词。
所以这就是：＆＃34;匹配一个或多个字符的任何序列，这些字符不是空格，字母，数字或下划线，并将其删除＆＃34;。
第二个选项说：＆＃34;匹配任何不是字母，数字，连字符，下划线，点或星号的字符并将其删除＆＃34;。这是由大型捕获组（括号之间的东西）说明的。
第三个选项说＆＃34;取任何不是字母或数字的东西，并用空格替换它＃34;。它使用\w通配符，我已解释过。
所有选项都使用正则表达式以匹配具有某些特征的字符序列，以及re.sub函数， sub - 构成匹配的任何内容由第二个字符串参数给出的正则表达式。
您可以在Python here中阅读有关正则表达式的更多信息。
答案 1 :(得分：1)
枚举[^a-zA-Z0-9-_*.]精确枚举要删除的字符范围（尽管文字-应位于字符类的开头或结尾）。
\w被定义为＆＃34;字符＆＃34;在传统的ASCII语言环境中包括A-Z和a-z以及数字和下划线，但在Unicode支持下，它匹配重音字符，西里尔字母，日语表意文字等。
\s匹配空格字符，再次使用Unicode包含许多扩展字符，例如不可破坏的空格，数字空间等。
究竟要选择哪一个显然取决于你想要完成什么以及你的意思是什么＆＃34;特殊字符＆＃34;。数字是＆＃34;符号＆＃34;，所有字符都是＆＃34;特殊＆＃34;等。
这是来自the Python re documentation的相关引文：
\ S
对于Unicode（str）模式：
匹配Unicode空白字符（包括
[ \t\n\r\f\v]以及许多其他字符，例如许多语言中排版规则规定的非破坏空格）。如果使用ASCII标志，则仅匹配[ \t\n\r\f\v]（但标志会影响整个正则表达式，因此在这种情况下使用显式[ \t\n\r\f\v]可能是更好的选择。）对于8位（字节）模式：
匹配ASCII字符集中考虑空格的字符;这相当于
[ \t\n\r\f\v]。\ W
对于Unicode（str）模式：
匹配Unicode字符;这包括大多数可以成为任何语言单词的一部分的字符，以及数字和下划线。如果使用
ASCII标志，则仅匹配[a-zA-Z0-9_]（但标志会影响整个正则表达式，因此在这种情况下使用显式[a-zA-Z0-9_]可能是更好的选择。）对于8位（字节）模式：
匹配ASCII字符集中被认为是字母数字的字符;这相当于
[a-zA-Z0-9_]。
答案 2 :(得分：0)
您如何阅读re.sub函数是这样的（more docs）：
re.sub(a, b, my_string) # replace any matches of regex a with b in my_string
我会选择第二个。正则表达式可能很棘手，但是这个说：
[^a-zA-Z0-9-_*.] # anything that's NOT a-z, A-Z, 0-9, -, * .
这似乎是你想要的。每当我使用正则表达式时，我都会使用这个网站：
您可以输入一些输入，并确保它们匹配正确类型的东西，然后将它们放入您的代码中！