如何用Python处理单元格内连续出现的重复词语？

Question

要处理的对象是一个名为data.xlsx 表格中列名为content中的评论文本，将连续重复的字符串删除，要得到如图所示中“ 处理后”的文本。

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

使用 Python 处理单元格内连续出现的重复词语

首先，我们需要使用 pandas 库来读入 Excel 表格，然后使用 regex 来匹配连续重复的字符串。

下面是一个示例代码：

import pandas as pd
import re

# 读入 Excel 表格
df = pd.read_excel('data.xlsx')

# 选择要处理的列
content_col = df['content'].tolist()

# 定义正则表达式
pattern = r"(.)\1{1,}"

# 遍历每条评论文本
for i, text in enumerate(content_col):
    # 使用正则表达式来匹配连续重复的字符串
    result = re.sub(pattern, r"\1", text)
    # 更新数据
    content_col[i] = result

# 将处理结果写回 Excel 表格
df['content'] = content_col
df.to_excel('output.xlsx', index=False)

这个代码将读入 Excel 表格，选择要处理的列，然后使用正则表达式来匹配连续重复的字符串。最后，它将处理结果写回 Excel 表格。

请注意，这个正则表达式 (.)\1{1,} 会匹配任何字符（.）后跟随多个（{1,}）相同的字符（\1）。这个正则表达式可以匹配连续重复的字符串，但是可能会删除一些不必要的字符。例如，如果你想删除连续重复的空格，可以使用以下正则表达式： ( )+

如果你需要更多的控制，例如删除连续重复的多个词语，可以使用以下正则表达式： (?:\b())+\b

请根据你的实际需求来选择合适的正则表达式。