NLP文本数据清洗问题：如何将带连字符的词条分割为独立关键词

核心逻辑是对目标分隔符-做字符串分割，再按需求整合结果即可，以下是不同场景的Python实现代码：

• 单条文本处理

raw_str = "data-science"
result = raw_str.split("-")
# 运行后result值为 ['data', 'science']

• 批量列表处理
  如果待清洗数据是多条带连接符的文本组成的列表，用遍历+扁平化处理即可：

raw_list = ["data-science", "machine-learning", "computer-vision"]
result = []
for text in raw_list:
    # 拆分后用extend方法把分割后的元素直接加入结果列表，避免嵌套
    result.extend(text.split("-"))
# 运行后result值为 ['data', 'science', 'machine', 'learning', 'computer', 'vision']

• 带过滤规则的拆分
  如果存在不需要拆分的短横线场景（比如year-2024这类一边是数字的场景），可以用正则匹配指定规则的短横线再拆分：

import re
raw_str = "data-science year-2024"
# 仅拆分两侧都是英文字母的短横线
result = re.split(r'(?<=[a-zA-Z])-(?=[a-zA-Z])', raw_str)
# 运行后result值为 ['data', 'science', 'year-2024']

内容的提问来源于stack exchange，提问作者TJ 777