【自然语言处理】NLP入门（四）：1、正则表达式与Python中的实现（4）：字符串常用函数

Qomolangma

发布于 2024-07-30 12:34:33

900

发布于 2024-07-30 12:34:33

文章被收录于专栏：自然语言处理深度学习

一、前言

本文将介绍字符串常用函数，包括：len()；max() 和 min()；ord()和chr()；bin()、oct()、hex()等。

二、正则表达式与Python中的实现

1.字符串构造

ASCII编码

Character	Octal	Decimal	Hexadecimal	Binary
	3位8进制数	十进制数	2位16进制数	8位2进制数
NUL (null)	000	0	00	00000000
SOH (start of heading)	001	1	01	00000001
STX (start of text)	002	2	02	00000010
ETX (end of text)	003	3	03	00000011
EOT (end of transmission)	004	4	04	00000100
ENQ (enquiry)	005	5	05	00000101
ACK (acknowledge)	006	6	06	00000110
BEL (bell)	007	7	07	00000111
BS (backspace)	010	8	08	00001000
HT (horizontal tab)	011	9	09	00001001
LF (line feed)	012	10	0A	00001010
VT (vertical tab)	013	11	0B	00001011
FF (form feed)	014	12	0C	00001100
CR (carriage return)	015	13	0D	00001101
SO (shift out)	016	14	0E	00001110
SI (shift in)	017	15	0F	00001111
DLE (data link escape)	020	16	10	00010000
DC1 (device control 1)	021	17	11	00010001
DC2 (device control 2)	022	18	12	00010010
DC3 (device control 3)	023	19	13	00010011
DC4 (device control 4)	024	20	14	00010100
NAK (negative acknowledge)	025	21	15	00010101
SYN (synchronous idle)	026	22	16	00010110
ETB (end of transmission block)	027	23	17	00010111
CAN (cancel)	030	24	18	00011000
EM (end of medium)	031	25	19	00011001
SUB (substitute)	032	26	1A	00011010
ESC (escape)	033	27	1B	00011011
FS (file separator)	034	28	1C	00011100
GS (group separator)	035	29	1D	00011101
RS (record separator)	036	30	1E	00011110
US (unit separator)	037	31	1F	00011111
SPACE	040	32	20	00100000
!	041	33	21	00100001
"	042	34	22	00100010
	043	35	23	00100011
$	044	36	24	00100100
%	045	37	25	00100101
&	046	38	26	00100110
’	047	39	27	00100111
(	050	40	28	00101000
)	051	41	29	00101001
*	052	42	2A	00101010
+	053	43	2B	00101011
,	054	44	2C	00101100
-	055	45	2D	00101101
.	056	46	2E	00101110
/	057	47	2F	00101111
0	060	48	30	00110000
1	061	49	31	00110001
2	062	50	32	00110010
3	063	51	33	00110011
4	064	52	34	00110100
5	065	53	35	00110101
6	066	54	36	00110110
7	067	55	37	00110111
8	070	56	38	00111000
9	071	57	39	00111001
:	072	58	3A	00111010
;	073	59	3B	00111011
<	074	60	3C	00111100
=	075	61	3D	00111101
	076	62	3E	00111110
?	077	63	3F	00111111
@	100	64	40	01000000
A	101	65	41	01000001
B	102	66	42	01000010
C	103	67	43	01000011
D	104	68	44	01000100
E	105	69	45	01000101
F	106	70	46	01000110
G	107	71	47	01000111
H	110	72	48	01001000
I	111	73	49	01001001
J	112	74	4A	01001010
K	113	75	4B	01001011
L	114	76	4C	01001100
M	115	77	4D	01001101
N	116	78	4E	01001110
O	117	79	4F	01001111
P	120	80	50	01010000
Q	121	81	51	01010001
R	122	82	52	01010010
S	123	83	53	01010011
T	124	84	54	01010100
U	125	85	55	01010101
V	126	86	56	01010110
W	127	87	57	01010111
X	130	88	58	01011000
Y	131	89	59	01011001
Z	132	90	5A	01011010
[	133	91	5B	01011011
\	134	92	5C	01011100
]	135	93	5D	01011101
^	136	94	5E	01011110
_	137	95	5F	01011111
` \| 140 \| 96 \| 60 \| 01100000 \|
a	141	97	61	01100001
b	142	98	62	01100010
c	143	99	63	01100011
d	144	100	64	01100100
e	145	101	65	01100101
f	146	102	66	01100110
g	147	103	67	01100111
h	150	104	68	01101000
i	151	105	69	01101001
j	152	106	6A	01101010
k	153	107	6B	01101011
l	154	108	6C	01101100
m	155	109	6D	01101101
n	156	110	6E	01101110
o	157	111	6F	01101111
p	160	112	70	01110000
q	161	113	71	01110001
r	162	114	72	01110010
s	163	115	73	01110011
t	164	116	74	01110100
u	165	117	75	01110101
v	166	118	76	01110110
w	167	119	77	01110111
x	170	120	78	01111000
y	171	121	79	01111001
z	172	122	7A	01111010
{	173	123	7B	01111011
\|	174	124	7C	01111100
}	175	125	7D	01111101
~	176	126	7E	01111110
DEL (delete)	177	127	7F	01111111

5. 字符串常用函数

在Python中有很多内置函数可以对字符串进行操作。如len()、ord()、chr()、max()、min()等。

a. 字符串长度：len()

s = "Hello World"
length = len(s)
print(length)

输出: 11

b. max() 和 min()

根据ASCII值返回字符串中的最大或最小字符。

s = "abcde"
max_char = max(s)
min_char = min(s)
print(max_char)  # Output: 'e'
print(min_char)  # Output: 'a'

由 ASCII码表可知’1’<‘2’，‘1’<‘a’，‘A’<‘a’，那么汉字？

max('我','a','A','1')

min('我','a','A','1')

ASCII码（American Standard Code for Information Interchange） 是最早的字符编码方案，使用7位（后来扩展为8位）二进制数字来表示128（后来扩展为256）个字符，包括英文字母、数字、标点符号和一些控制字符。ASCII码最初只为英语设计，不支持其他语言字符。
Unicode码（Universal Character Set，通用字符集） 是一种更加全面的字符编码方案，包含了几乎所有已知的文字符号、标点符号、符号、文字、音标、图形符号等。Unicode码使用16位（后来扩展为32位）二进制数字来表示字符，所以可以表示更多的字符。Unicode码的目标是覆盖全球所有的字符，并为各种语言和文化提供一致的字符编码方案。

ASCII码是Unicode码的一个子集，在ASCII码中，只使用了Unicode码的前128个字符。~ 所以上述汉字最大

ASCII码前面补零——>Unicode码

c. Unicode码转换：ord()和chr()

ord() 返回给定字符的 Unicode 码点
chr() 返回给定 Unicode 码点对应的字符

char = 'A'
unicode_code = ord(char)
print(unicode_code)  # Output: 65

unicode_code = 65
char = chr(unicode_code)
print(char)  # Output: 'A'

ord('好')

chr(22909)

'好'

d. 进制转换函数

可以使用内置函数 bin()、oct()、hex() 来进行转换：

bin() 函数：将一个整数转换为二进制表示。

print(bin(10))  # 输出 '0b1010'

oct() 函数：将一个整数转换为八进制表示。

print(oct(10))  # 输出 '0o12'

hex() 函数：将一个整数转换为十六进制表示。

print(hex(10))  # 输出 '0xa'

上述函数不是特定字符串对象的方法，而是可以直接用于字符串或其他兼容的数据类型。

函数与方法之比较

在Python中，函数（function）和方法（method）都是可调用的对象，但它们之间有一些区别：

函数（Function）
- 函数是一段可重复使用的代码块，它可以接受输入参数，并且在执行完任务后返回一个结果。
- 函数可以独立存在，不依赖于任何对象或类。
- 在Python中，函数可以通过def关键字定义，并可以在任何地方调用。

def greet(name):
    return f"Hello, {name}!"

print(greet("Alice"))  # Output: Hello, Alice!

方法（Method）
- 方法是与特定对象相关联的函数。它是在类定义中定义的函数，它可以访问对象的数据。
- 方法需要通过对象来调用，并且在方法内部可以使用self关键字来访问对象的属性和其他方法。
- 在Python中，方法是通过将函数绑定到类的属性来创建的，并且可以通过类的实例来调用。

class Dog:
    def __init__(self, name):
        self.name = name
    
    def bark(self):
        return f"{self.name} says Woof!"

my_dog = Dog("Buddy")
print(my_dog.bark())  # Output: Buddy says Woof!