pythonの正規表現で記号を省く

最近はpython3の日本語のワードクラウドで遊んでいます。
ワードクラウドでは、「あ」や「ん」、「＠」などの1文字の単語は意味を持ちません。
対象文字を省くために正規表現と通常ロジックを組み合わせます。

1 実現したいゴール
2 実装方法
- 2.1 ライブラリ
- 2.2 実装コード
3 標準ライブラリ使用時の注意
4 参考サイト

実現したいゴール

以下にやりたいことを示します。

ひらがなの削除
カタカナの削除
数字の削除
記号の削除（半角・全角とも）

数字のみ削除

ワードクラウドでは、Mecabなどの形態素解析を用いて単語を分かちするのが一般的です。
分かち後の1つの単語は、基本的には複数記号の場合は存在しません。
複数文字である＝ある程度意味のある単語である
といった前提で行います。

例えば、Mecab後は「モンゴル800」や「-1.0」などは
「モンゴル, 800」
「-, 1, ., 0」
といった具合に分かちされます。

実装方法

正規表現の実現方法として、以下を確認しました。

標準ライブラリであるreで文字として判定する
regexライブラリで判定する

今回は目指すべきゴールからregexライブラリを採用しました
用途に合わせて使い分けしてもよさそうです。

ライブラリ

regex (2019.4.12)を使います
以下のコマンドでインストールしてください。
pip3 install regex

実装コード

import regex

SINGLE_SIGN_PTN = regex.compile(r'\p{Han}{1}')

def match(word) :
    if not word :
        # None 空文字はFlase
        return False

    if len(word) > 1 :
        # 2文字以上の場合は数字かどうかのみ判定する
        is_not_num = not word.isnumeric()
        return is_not_num
    else :
        # 1文字の場合、漢字のみ有効とする
        if SINGLE_SIGN_PTN.match(word) :
            return True
        else :
            return False