Python使用列表推导式结合正则表达式处理文本字符问题求解

共性错误 #

两段代码均错误使用了带if判断的列表推导：re.sub()会直接返回处理后的字符串，你加if后逻辑变成了仅保留处理后结果为真值的元素，既没有对全部元素执行替换赋值，还会误删空字符串、NaN等取值，这是运行无报错但无预期效果的核心原因。
另外Pandas处理字符串列推荐使用原生str.replace()矢量化方法，运行效率远高于手动列表推导。

第一个需求（连续重复字符纠错）修改 #

原有问题 #

正则替换规则错误：你使用的替换值r'\1'会把3个及以上连续重复字符替换为1个，不符合「保留2个连续字符」的要求。

正确代码 #

# 匹配单个字符连续出现≥3次的场景，替换为2个对应字符
docs['Comments'] = docs['Comments'].str.replace(r'(\w)\1{2,}', r'\1\1', regex=True, na_action='ignore')

效果验证 #

buttter → 匹配连续3个t替换为2个 → butter；ladder的2个连续d未触发匹配规则，原样保留，符合需求。

第二个需求（连续重复标点合并）修改 #

原有问题 #

正则匹配逻辑错误：原有规则会匹配任意连续的目标标点，遇到?!这类不同标点连写的场景会误删，且没有限定是同一个标点的连续重复。

正确代码 #

# 匹配同一个标点连续重复的场景，替换为单个对应标点
docs['Comments'] = docs['Comments'].str.replace(r'([?!.*-])\1+', r'\1', regex=True, na_action='ignore')

效果验证 #

????? → 匹配连续5个?替换为1个 → ?；!?属于不同标点连写，不触发匹配保留原样，符合需求。

内容的提问来源于stack exchange，提问作者GSA