How to remove a certain letter from an arabic text in a dataframe using regular expressions?

Question

I have arabic text in a dataframe and I want to remove the letter و from all words that start with this letter. I tried to do this:

def clean(text_string):
    space_pattern = '\bو'
    
    parsed_text = re.sub(space_pattern, '', text_string)
    return parsed_text

and then:

df['tidy_tweet'] = np.vectorize(clean)(df['tidy_tweet'])

but when I run it, nothing changes. It's as if I didn't do anything at all!

Example:

Input: هيه الهزه الحقيقيه وتخافون الهزه وماتخافون الهزه اعملها نظامكم الهمجي

Desired output: هيه الهزه الحقيقيه تخافون الهزه ماتخافون الهزه اعملها نظامكم الهمجي

Answer 1

You may use the following regex with word boundaries. And use \1 to keep only the remain of the text.

r"\bو(.*?)\b"

import re

text = """هيه الهزه الحقيقيه وتخافون الهزه وماتخافون الهزه اعملها نظامكم الهمجي"""
ref = """هيه الهزه الحقيقيه تخافون الهزه ماتخافون الهزه اعملها نظامكم الهمجي"""
print(text)
print(ref)

new_text = re.sub(r"\bو(.*?)\b", r'\1', text)

print(new_text == ref)

هيه الهزه الحقيقيه وتخافون الهزه وماتخافون الهزه اعملها نظامكم الهمجي
هيه الهزه الحقيقيه تخافون الهزه ماتخافون الهزه اعملها نظامكم الهمجي
True