Python字符串列表清洗需求：移除数字并提取首个有效单词

原始输入 #

a = ['6306\nHLIAN\nVARIOUS',
 '10215\nSPINA',
 '10279\nPIPERI-\nΜYTER',
 '38003\nCORN\nSWEET',
 '10234ROKA',
 '10232\nANTH',
 '8682PIPER\nYPAITH',
 '8676\nMAROYL',
 '10211\nΚAROT\nROOT',
 '8685AGG\nYPAU']

期望输出 #

['HLIAN',
 'SPINA',
 'PIPERI',
 'CORN',
 'ROKA',
 'ANTH',
 'PIPER',
 'MAROYL',
 'ΚAROT',
 'AGG']

现有代码的问题 #

原代码存在两个核心问题：

• 处理带换行的字符串时逻辑错误，比如8682PIPER\nYPAITH去除数字后变成PIPER\nYPAITH，原代码取split('\n')[1]得到YPAITH，但实际需要的是第一个有效单词PIPER。
• 未处理单词末尾的短横线（如PIPERI-）。

修正后的代码 #

from string import digits, punctuation

def clean_list(data):
    remove_digits = str.maketrans('', '', digits)
    results = []
    for s in data:
        # 移除所有数字
        no_digits = s.translate(remove_digits)
        # 将换行替换为空格，统一分割规则
        tokens = no_digits.replace('\n', ' ').split()
        # 遍历片段，提取首个有效单词并清理标点
        for token in tokens:
            cleaned_token = ''.join([c for c in token if c not in punctuation])
            if cleaned_token.isalpha():
                results.append(cleaned_token)
                break
    return results

# 测试执行
a = ['6306\nHLIAN\nVARIOUS',
 '10215\nSPINA',
 '10279\nPIPERI-\nΜYTER',
 '38003\nCORN\nSWEET',
 '10234ROKA',
 '10232\nANTH',
 '8682PIPER\nYPAITH',
 '8676\nMAROYL',
 '10211\nΚAROT\nROOT',
 '8685AGG\nYPAU']

print(clean_list(a))

代码说明 #

1. 移除数字：使用str.maketrans批量移除所有数字字符。
2. 统一分割规则：将所有换行符替换为空格后按空格分割，不管数字是与单词连写还是单独占行，都能统一处理成片段列表。
3. 清理标点：遍历片段时，移除其中的标点符号（比如PIPERI-中的短横线）。
4. 提取有效单词：找到第一个由纯字母（包括希腊字母，isalpha()支持Unicode字母判断）组成的片段，加入结果列表后跳出循环，确保取到首个有效单词。

内容的提问来源于stack exchange，提问作者George