如何移除文本标点外所有字符？及酒店数据集字段清洗方案求助

让我们分两部分来搞定你提出的两个需求：

一、移除文本中标点符号以外所有字符 #

这个需求用正则表达式就能轻松实现，我给你几个常用编程语言的具体写法：

Python 版本 #

import re

def retain_only_punctuation(text):
    # \p{P}匹配标点，\p{S}匹配特殊符号，覆盖全语言场景
    return re.sub(r'[^\p{P}\p{S}]', '', text, flags=re.UNICODE)

# 测试示例
sample_text = "Hi there! 123 #$% 测试，。"
print(retain_only_punctuation(sample_text))  # 输出：! #$% ，。

JavaScript 版本 #

function keepOnlyPunctuation(text) {
    // u标志开启Unicode模式，确保兼容多语言标点
    return text.replace(/[^\p{P}\p{S}]/gu, '');
}

// 测试示例
const sampleText = "Hi there! 123 #$% 测试，。";
console.log(keepOnlyPunctuation(sampleText)); // 输出：! #$% ，。

二、酒店数据集规范化清洗 #

针对你给出的数据集，核心是把Type列的品牌名和额外描述拆分，同时确保Count列只保留数字。这里分编程和非编程两种方案：

方案1：Python Pandas（适合批量处理大数据） #

假设你的数据是DataFrame格式，代码如下：

import pandas as pd
import re

# 模拟原始数据集
raw_data = {
    "ID": [1, 2, 3, 4],
    "Type": ["**Radisson**", "**Renaissance**", "**Hilton** New York Only", "**Radisson** East Cost"],
    "Count": [8, 9, "8", "8"]
}
df = pd.DataFrame(raw_data)

# 清洗Type列：提取**包裹的品牌名（如果要保留加粗，就改成r'**\1**'）
df["Type"] = df["Type"].apply(lambda x: re.search(r'\*\*(.*?)\*\*', x).group(1))

# 清洗Count列：提取纯数字并转为整数
df["Count"] = df["Count"].apply(lambda x: int(re.search(r'\d+', str(x)).group()))

# 查看最终结果
print(df)

运行后输出就是你要的规范格式：

ID        Type  Count
0   1     Radisson      8
1   2  Renaissance      9
2   3       Hilton      8
3   4     Radisson      8

方案2：Excel公式（适合非编程用户，Excel 365支持） #

1. 清洗Type列：假设Type列在A2单元格，用公式提取品牌名：

   =REGEXEXTRACT(A2,"\*\*(.*?)\*\*")
   

   如果要保留加粗格式，改成=CONCAT("**",REGEXEXTRACT(A2,"\*\*(.*?)\*\*"),"**")

2. 清洗Count列：假设Count列在C2单元格，用公式提取数字：

   =VALUE(REGEXEXTRACT(C2,"\d+"))
   

内容的提问来源于stack exchange，提问作者akash87