出于符合 GDPR 的原因,我正在尝试从语音转文本生成的杂乱数据中删除社会安全号码 (SSN)。这是一个示例字符串(翻译成英语,解释了为什么列出 SSN 时出现“和”):
sample1 = "hello my name is sofie my social security number is thirteen zero four five and seventy eighteen seven and forty and I live on mountain street number twelve"
我的目标是删除该部分"thirteen ... forty "
,同时保留字符串中可能出现的其他数字,从而导致:
sample1_wo_ssn = "hello my name is sofie my social security number is and I live on mountain street number twelve"
社会安全号码的长度可能会因数据的生成方式而异(3-10 个单独的数字)。
我的做法:
- 使用 dict 用数字替换书面数字
- 使用正则表达式查找只有空格或
"and"
分隔它们的 3 个或更多数字出现的位置,并将它们与这 3 个数字后面的任何数字一起删除。
这是我的代码:
import re
number_dict = {
'zero': '0',
'one': '1',
'two': '2',
'three': '3',
'four': '4',
'five': '5',
'six': '6',
'seven': '7',
'eight': '8',
'nine': '9',
'ten': '10',
'eleven': '11',
'twelve': '12',
'thirteen': '13',
'fourteen': '14',
'fifteen': '15',
'sixteen': '16',
'seventeen': '17',
'eighteen': '18',
'nineteen': '19',
'twenty': '20',
'thirty': '30',
'forty': '40',
'fifty': '50',
'sixty': '60',
'seventy': '70',
'eighty': '80',
'ninety': '90'
}
sample1 = "hello my name is sofie my social security number is thirteen zero four five and seventy eighteen seven and forty and I live on mountain street number twelve"
sample1_temp = [number_dict.get(item,item) for item in sample1.split()]
sample1_numb = ' '.join(sample1_temp)
re_results = re.findall(r'(\d+ (and\s)?\d+ (and\s)?\d+\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?\s?(and\s)?(\d+)?)', sample1_numb)
print(re_results)
输出:
[('13 0 4 5 and 70 18 7 and 40 and ', '', '', '', '5', 'and ', '70', '', '18', '', '7', 'and ', '40', 'and ', '', '', '', '', '')]
这就是我卡住的地方。
在这个例子中,我可以做一些事情sample1_wh_ssn = re.sub(re_results[0][0],'',sample1_numb)
来获得想要的结果,但这不会一概而论。
任何帮助将不胜感激。