如何使用正则表达式去除重复的连续字符并保留第一个？

Question

我发现了一个从网络上获取的Python代码片段，可以通过正则表达式去除重复连续字符并保留第一个字符，如下：

import re
re.sub(r'(?s)(.)(?=.*\1)','','aabbcc')  #'abc'

但存在一个缺陷，如果字符串是'aabbccaabb'，它将忽略第一个'aa'和'bb'，输出结果为'cab'。

re.sub(r'(?s)(.)(?=.*\1)','','aabbccaabb')  #'cab'

有没有用正则表达式解决这个问题的方法？

- Haohu Shen

Answer 1

使用列表推导式和条件来检查前一个字符是否与当前字符相同，而不使用正则表达式，并连接结果：

s='aabbccaabb'
print("".join([c for i,c in enumerate(s) if i==0 or s[i-1]!=c]))

- Jean-François Fabre

---

漂亮的 Pythonic 方法。谢谢。 - Haohu Shen

类似的：z=list(s); t="".join([u for u,v in zip(z,['']+z)if u!=v])。这避免了循环中的双重测试，但代价是将字符串转换为列表并创建第二个列表，尽管大部分工作都以C速度完成，因此非常快。如果我们知道s永远不会以NUL字符开头，我们可以通过t="".join([u for u,v in zip(s,'\0'+s)if u!=v])来避免转换为列表，但我想那有点笨拙。 ;) - PM 2Ring

@PM2Ring 我总是忘记那个移位的zip操作。谢谢提醒，我会记住的。 - Jean-François Fabre

还有s[0]+"".join([c for i,c in enumerate(s[1:]) if s[i]!=c])。 - Jean-François Fabre

@PM2Ring uvloop 很不错 :) - Mohammad Yusuf

Answer 2

只需去掉正向先行断言中的.*。

import re

print re.sub(r'(?s)(.)(?=\1)','','aabbcc')
print re.sub(r'(?s)(.)(?=\1)','','aabbccaabb')

输出：

abc
abcab

- Mohammad Yusuf

---

re.sub(r'(?s)(.)\1', r'\1', 'aabbccaabb')： - Scott Carpenter

@ScottCarpenter 它只对重复2个字符的情况有效，对于超过2个字符的情况无效。 - Mohammad Yusuf

@ScottCarpenter re.sub(r'(.)\1+', r'\1', 'aaabbccaabb') 这个会起作用。 - Mohammad Yusuf

@Harrison 重复的反斜杠应该替换为1个还是不替换？ - Mohammad Yusuf

我的错，代码是正确的。我忘记打印re.sub的结果了。 - Haohu Shen