如何使用R删除字符串中的重复字符？

Question

我希望使用 R 实现一个函数，可以去除字符串中的重复字符。例如，假设我的函数名为 removeRS，则应按照以下方式工作：

  removeRS('Buenaaaaaaaaa Suerrrrte')
  Buena Suerte
  removeRS('Hoy estoy tristeeeeeee')
  Hoy estoy triste

我的函数将用于处理西班牙语字符串，因此在找到连续三个元音字母的单词时并不常见（或者至少不正确）。不必担心这些单词可能包含的情感。然而，有些单词可以有两个连续的辅音字母（尤其是ll和rr），但我们可以从函数中跳过它们。

所以，总结一下，该函数应该使用该字母替换出现至少三次的连续字母。在上面的示例中，aaaaaaaaa被替换为a。

你能给我一些提示来使用R完成这个任务吗？

- nhern121

---

此任务目前尚未明确定义。可能需要对重复的尾随元音采取不同的处理方式，但从描述中无法清楚了解。 - IRTFM

Answer 1

我并没有认真地考虑这个问题，但这是我的快速解决方案，使用正则表达式中的引用：

gsub('([[:alpha:]])\\1+', '\\1', 'Buenaaaaaaaaa Suerrrrte')
# [1] "Buena Suerte"

()首先匹配一个字母，\\1引用之前匹配的那个字母，+表示匹配一次或多次；将这些组合起来，我们可以匹配两个或更多个字母。

如果要包括除字母数字以外的其他字符，请使用与您希望包括的内容匹配的正则表达式替换[[:alpha:]]。

- Yihui Xie

---

谢谢，如果你想从中排除一些字母怎么办？例如，排除字母L和R。 - nhern121

[:alpha:] 表示 a-zA-Z；如果你想更具体一些，可以使用 [a-zA-KM-QS-Z] 来去除大写字母 L 和 R；请参考 ?regexp。 - Yihui Xie

这里是使用 Perl 风格的零宽度前瞻正则表达式的变体：gsub("([[:alpha:]])(?=\\1)", "", s, perl = TRUE)。它匹配任何字母字符连续出现中除了最后一个以外的所有字符。 - G. Grothendieck

@G.Grothendieck，如果 perl=True，[[:alpha:]] 能用吗？这不是有效的 PCRE 语法。 - ivan_pozdeev

@G.Grothendieck 对于这个特定的任务，你的版本速度较慢，没有真正的收益。不过，作为一个附注还是很好的。 - ivan_pozdeev

Answer 2

我认为你需要注意问题描述中的歧义。这是一个初步的尝试，但显然不能按照你所期望的方式与“Good Luck”配合使用：

removeRS <- function(str) paste(rle(strsplit(str, "")[[1]])$values, collapse="")
removeRS('Buenaaaaaaaaa Suerrrrte')
#[1] "Buena Suerte"

- IRTFM

---

感谢您的回答@DWin。 "Good Luck" 的示例对我完全没有影响，我接受并为歧义道歉。在这方面，英语与西班牙语的表达方式不同。我尝试了您的解决方案，它按照我所期望的工作。顺便说一下，我已经编辑问题，以使其更清晰明了。 - nhern121

Answer 3

由于您想要替换至少出现3次的字母，这是我的解决方案：

gsub("([[:alpha:]])\\1{2,}", "\\1", "Buennaaaa Suerrrtee")
#[1] "Buenna Suertee"

正如您所看到的，4个“a”已经被减少到只有1个，“r”的3个也被减少到了1个，但是2个“n”和2个“e”没有改变。 如上所述，您可以将[[:alpha:]]替换为任何组合的[a-zA-KM-Z]或类似的内容，甚至可以在方括号[y|Q]内使用“或”运算符|，如果您希望代码仅影响y和Q的重复。

gsub("([a|e])\\1{2,}", "\\1", "Buennaaaa Suerrrtee")
# [1] "Buenna Suerrrtee"
# triple r are not affected and there are no triple e.

- lokxs