在连续的字符运行中删除重复项

Question

我有包含大量重复内容的字符串，就像这样：

tst <- c("C>C>C>B>B>B>B>C>C>*>*>*>*>*>C", "A>A>A", "*>B>B", 
     "A>A>A>A>A>*>A>A>A>*>*>*>*>A>A", "*>C>C", "A")

我希望删除所有连续的大写字母和“*”字符，因此预期结果是这样的：

[1] "CBC*C" "A"     "*B"    "A*A*A" "*C"    "A"

我已成功提取了重复的大写字母：

library(stringr)
unlist(str_extract_all(gsub(">", "", tst), "(.)(?=\\1)"))
[1] "C" "C" "B" "B" "B" "C" "*" "*" "*" "*"

但是我在这里有些卡住了。我的直觉是函数which可能有帮助，它返回索引，但不知道如何在这种情况下实现。

有什么想法吗？

编辑:

我自己距离解决方案并不远 - 只需使用负向先行断言（而不是正向先行断言）就可以解决问题：

str_extract_all(gsub(">", "", tst), "(.)(?!\\1)")
[[1]]
[1] "C" "B" "C" "*" "C"

[[2]]
[1] "A"

[[3]]
[1] "*" "B"

[[4]]
[1] "A" "*" "A" "*" "A"

[[5]]
[1] "*" "C"

[[6]]
[1] "A"

- Chris Ruehlemann

Answer 1

我们可以使用gsub。

gsub("([A-Z*]>)\\1+", "\\1", tst)
#[1] "C>B>C>*>C"

为了得到第二个结果，删除>标签。

gsub(">", "", gsub("([A-Z*]\\>)\\1+", "\\1", tst) ,fixed = TRUE)
#[1] "CBC*C"

根据下面评论中 OP 的说法，可能是

gsub("(.)\\1+", "\\1", gsub(">", "", tst))
#[1] "CBC*C"
gsub("(.)\\1+", "\\1", gsub(">", "", "A>"))
#[1] "A"
gsub("(.)\\1+", "\\1", gsub(">", "", "A>A"))
#[1] "A"
gsub("(.)\\1+", "\\1", gsub(">", "", "A>A>A>A"))
#[1] "A"

- akrun

---

@ChrisRuehlemann 那个的预期是什么？ - akrun

只有一个字母 A，仅此而已。 - Chris Ruehlemann

@ChrisRuehlemann 这段代码返回 gsub("(.)\\1+", "\\1", gsub(">", "", "A>A>A>A"))# [1] "A"，在 gsub("(.)\\1+", "\\1", gsub(">", "", tst))# [1] "CBC*C" 上进行测试。 - akrun

@ChrisRuehlemann 这也适用于 gsub("(.)\\1+", "\\1", gsub(">", "", "A>A"))# [1] "A" 相比之下，gsub("((.)>)\\1+\\2*", "\\2", "A>A")# [1] "A>A" - akrun

Answer 2

另一种获得CBC*C的方式可能是使用 2 组并在替换中使用第 2 组。

((.)>)\1+

正则表达式演示

例子

tst <- "C>C>C>B>B>B>B>C>C>*>*>*>*>*>C"
gsub("((.)>)\\1+", "\\2", tst)

输出

[1] "CBC*C"

- The fourth bird

---

这是一个优美的解决方案。 - Chris Ruehlemann

为什么这个解决方案在类似 gsub("((.)>)\\1+", "\\2", "A>A>A>A") 的情况下失败了？如何编辑它以使其适用于这种类型的情况？ - Chris Ruehlemann

@ChrisRuehlemann 这取决于预期的结果是什么。当前模式重复捕获组以获取连续部分。替换使用内部第二个组。 - The fourth bird

@ChrisRuehlemann 结果确实是 A。请注意，它也适用于 >>>>>>>A，因为您首先删除所有的 >，然后将剩余的连续 A 替换为单个 A。您可以将其简化为一个捕获组 gsub("(.)\\1+", "\\1", gsub(">", "", tst))。 - The fourth bird

非常感谢。事实证明，最好的解决方案确实是 gsub("(.)\\1+", "\\1", gsub(">", "", tst))。@akrun 在几分钟前发布了这个答案。所以为了公平起见，我将接受他的答案。 - Chris Ruehlemann

Answer 3

对于我们对正则表达式过敏的人：

paste(rle(strsplit(tst, ">")[[1]])$values, collapse = ">") # or collapse = ""
[1] "C>B>C>*>C"

当然，对于包含一串小写字母的字符串，例如"A>A>a>a>A>A"，此方法将失败。

- Henrik

Answer 4

一个没有正则表达式的相对通用的 base R 方法。

这里的思路是将字符串融合成一组，然后依次删除重复的模式（这使它与 unique 不同）：

tst <- "C>C>C>B>B>B>B>C>C>*>*>*>*>*>C"
st <- paste(unlist(strsplit(tst,">")),collapse="")
#[1] "CCCBBBBCC*****C"

paste( unlist( sapply( 1:nchar(st), function(x){
  if( substr(st,x,x) != substr(st,(x+1),(x+1)) ){ substr(st,x,x) } } ) ), collapse="" )
#[1] "CBC*C"

如果您想要小写功能（不包括删除小写字母），请使用以下内容：

paste( unlist( sapply( 1:nchar(st), function(x){
  a=substr(st,x,x); b=substr(st,(x+1),(x+1));
  if( a != b & toupper(a) == a ){ a } else if( toupper(a) != a ){ a }  } ) ), collapse="" )

- Andre Wildberg