Pythonで文字列を小文字にするには? (4)

Pythonで文字列を小文字に変換するには？

ユーザーが入力した文字列全体を大文字または大文字から小文字に変換する方法はありますか？

例：キロメートル - >キロメートル

これを行う正規のPythonの方法は次のとおりです

>>> 'Kilometers'.lower()
'kilometers'

しかし、大文字と小文字を区別しないマッチングを行うのが目的ならば、大文字と小文字を区別する必要があります。

>>> 'Kilometers'.casefold()
'kilometers'

理由は次のとおりです。

>>> "Maße".casefold()
'masse'
>>> "Maße".lower()
'maße'
>>> "MASSE" == "Maße"
False
>>> "MASSE".lower() == "Maße".lower()
False
>>> "MASSE".casefold() == "Maße".casefold()
True

これはPython 3のstrメソッドですが、Python 2ではPyICUまたはpy2casefoldを見たいと思っています。

Unicode Python 3

Python 3はunicodeを通常の文字列として扱います：

>>> string = 'Километр'
>>> string
'Километр'
>>> string.lower()
'километр'

Unicode Python 2

しかし、Python 2はシェルにペーストされていませんが、 utf-8を使ってリテラルをバイト列としてエンコードします。

また、 lowerはネイティブのUnicodeオブジェクトが認識している変更をマップしないので、同じ文字列を取得します。

>>> string = 'Километр'
>>> string
'\xd0\x9a\xd0\xb8\xd0\xbb\xd0\xbe\xd0\xbc\xd0\xb5\xd1\x82\xd1\x80'
>>> string.lower()
'\xd0\x9a\xd0\xb8\xd0\xbb\xd0\xbe\xd0\xbc\xd0\xb5\xd1\x82\xd1\x80'
>>> print string.lower()
Километр

スクリプトでは、Pythonは非ASCII文字（Python 2.5以降、およびPython 2.4での警告）バイトに、エンコーディングが指定されていない文字列にあることに反対します。これは、意図したコーディングがあいまいであるためです。 詳細は、 docsとPEP 263の Unicodeの使い方を参照してください。

Unicodeリテラルを使用します.strリテラルは使用しないでください。

ユニコードリテラルで簡単に達成できるこの変換を処理するには、 unicode文字列が必要です。

>>> unicode_literal = u'Километр'
>>> print unicode_literal.lower()
километр

バイトはstrバイトとは完全に異なることに注意してください。エスケープ文字は'\u'後に2バイト幅、またはこれらのunicode文字の16ビット表現です。

>>> unicode_literal
u'\u041a\u0438\u043b\u043e\u043c\u0435\u0442\u0440'
>>> unicode_literal.lower()
u'\u043a\u0438\u043b\u043e\u043c\u0435\u0442\u0440'

今、 strの形式でしかそれを持っていなければ、それをunicodeに変換する必要がありstr 。 PythonのUnicode型は、他のほとんどのエンコーディングに比べて多くのadvantagesを持つユニバーサルエンコーディング形式です。 unicodeコンストラクタまたはstr.decodeメソッドをコーデックとともに使用して、 strをunicodeに変換することができstr 。

>>> unicode_from_string = unicode(string, 'utf-8') # "encoding" unicode from string
>>> print unicode_from_string.lower()
километр
>>> string_to_unicode = string.decode('utf-8') 
>>> print string_to_unicode.lower()
километр
>>> unicode_from_string == string_to_unicode == unicode_literal
True

どちらのメソッドもUnicode型に変換されます。これはunicode_literalと同じです。

ベストプラクティス、Unicodeを使用する

常にUnicodeでテキストを操作することをお勧めします。

ソフトウェアはUnicode文字列で内部的にしか動作せず、出力時に特定のエンコーディングに変換する必要があります。

必要に応じてエンコードすることができます

しかし、小文字をstr型に戻すには、python文字列をutf-8再度エンコードしstr 。

>>> print string
Километр
>>> string
'\xd0\x9a\xd0\xb8\xd0\xbb\xd0\xbe\xd0\xbc\xd0\xb5\xd1\x82\xd1\x80'
>>> string.decode('utf-8')
u'\u041a\u0438\u043b\u043e\u043c\u0435\u0442\u0440'
>>> string.decode('utf-8').lower()
u'\u043a\u0438\u043b\u043e\u043c\u0435\u0442\u0440'
>>> string.decode('utf-8').lower().encode('utf-8')
'\xd0\xba\xd0\xb8\xd0\xbb\xd0\xbe\xd0\xbc\xd0\xb5\xd1\x82\xd1\x80'
>>> print string.decode('utf-8').lower().encode('utf-8')
километр

したがって、Python 2では、UnicodeはPython文字列にエンコードでき、Python文字列はUnicode型にデコードできます。