Cocokkan dan hapus karakter yang digandakan: Ganti beberapa (3+) kejadian tidak berurutan

Saya mencari regexpola yang akan cocok dengan ketiga, keempat, ... kemunculan setiap karakter. Lihat di bawah untuk klarifikasi:

Misalnya saya punya string berikut:

111aabbccxccybbzaa1

Saya ingin mengganti semua karakter yang digandakan setelah kejadian kedua. Outputnya adalah:

11-aabbccx--y--z---

Beberapa pola regex yang saya coba sejauh ini:

Dengan menggunakan regex berikut ini, saya dapat menemukan kemunculan terakhir dari setiap karakter: (.)(?=.*\1)

Atau menggunakan ini saya bisa melakukannya untuk duplikat berturut-turut tetapi tidak untuk duplikat: ([a-zA-Z1-9])\1{2,}

Solusi R non-regex. Split string. Ganti elemen dari vektor ini yang memiliki rowid> = 3 * with '-'. Rekatkan kembali.

x <- '111aabbccxccybbzaa1'

xsplit <- strsplit(x, '')[[1]]
xsplit[data.table::rowid(xsplit) >= 3] <- '-'
paste(xsplit, collapse = '')

# [1] "11-aabbccx--y--z---"

* rowid(x)adalah vektor integer dengan setiap elemen yang mewakili berapa kali nilai dari elemen terkait xtelah direalisasikan. Jadi jika elemen terakhir xadalah 1, dan itulah keempat kalinya 1terjadi x, elemen terakhir rowid(x)adalah 4.

Anda dapat dengan mudah mencapai ini tanpa regex:

Lihat kode yang digunakan di sini

s = '111aabbccxccybbzaa1'

for u in set(s):
    for i in [i for i in range(len(s)) if s[i]==u][2:]:
        s = s[:i]+'-'+s[i+1:]

print(s)

Hasil:

11-aabbccx--y--z---

Bagaimana ini bekerja:

1. for u in set(s) mendapat daftar karakter unik dalam string: {'c','a','b','y','1','z','x'}
2. for i in ... loop atas indeks yang kami kumpulkan 3.
3. [i for i in range(len(s)) if s[i]==u][2:] lilitkan setiap karakter dalam string dan periksa apakah cocok u (dari langkah 1.), lalu iris array dari elemen ke-2 (menjatuhkan dua elemen pertama jika ada)
4. Atur string untuk s[:i]+'-'+s[i+1:]- menggabungkan substring ke indeks dengan -dan kemudian substring setelah indeks, secara efektif menghilangkan karakter asli.

Opsi dengan gsubfn

library(gsubfn)
p <- proto(fun = function(this, x) if (count >=3) '-' else x)
for(i in c(0:9, letters)) x <- gsubfn(i, p, x)
x
#[1] "11-aabbccx--y--z---"

data

x <- '111aabbccxccybbzaa1'

Tidak ada regex python one-liner:

s = "111aabbccxccybbzaa1"

print("".join(char if s.count(char, 0, i) < 2 else "-" for i, char in enumerate(s)))
# ==> "11-aabbccx--y--z---"

Ini menghitung melalui string, menghitung kemunculan karakter saat ini di belakangnya dan hanya menempatkan karakter jika itu adalah salah satu dari 2 yang pertama, jika tidak lari.

Cara lain untuk melakukannya pandas.

import pandas as pd

s = '111aabbccxccybbzaa1'
# 11-aabbccx--y--z---

df = pd.DataFrame({'Data': list(s)})
df['Count'] = 1
df['cumsum'] = df[['Data', 'Count']].groupby('Data').cumsum()
df.loc[df['cumsum']>=3, 'Data'] = '-'
''.join(df.Data.to_list())

Keluaran :

11-aabbccx--y--z---

_{Terima kasih kepada Wiktor Stribiżew , Stefan Pochmann , dan gelembung berbandul . Demi penyelesaian, saya memposting regexsolusi yang mungkin dibahas dalam komentar;}

Ini hanya dapat dilakukan dengan regex yang mendukung tampilan lebar tak terbatas di belakang. Menggunakan modul Python PyPi regex kita bisa melakukan hal berikut:

#python 2.7.12

import regex

s = "111aabbccxccybbzaa1"

print(regex.sub(r'(.)(?<=^(?:(?:(?!\1).)*\1){2,}(?:(?!\1).)*\1)', '-', s)) #Wiktor Stribizew
     ## 11-aabbccx--y--z---

print(regex.sub(r'(.)(?<=(.*\1){3})', '-', s)) #Stefan Pochmann
     ## 11-aabbccx--y--z---

print(regex.sub(r'(.)(?<=(?:.*\1){3})', '-', s)) #Wiktor Stribizew
     ## 11-aabbccx--y--z---

print(regex.sub(r'(.)(?<=(?:\1.*?){2}\1)', '-', s)) #bobble bubble
     ## 11-aabbccx--y--z---

Cuplikan .