正则表达式删除 R 中不相邻的重复项

Question

努力想出一个删除字符串中重复字符的正则表达式（即只保留第一次出现的字符）

特别是我想在第一次出现后删除所有冒号

s <- c("note: conducted by j:m",
       "location: made :n :apan",
       "date: 2010, ma: 3rd")

成为

note: conducted by jm
location: made in apan
date: 2010, ma 3rd

我能做到的最好是

library(stringr)
str_remove(string = s, pattern = "(?<=:)(.*?):(.*)")
# [1] "note:"     "location:"     "date:"

编辑：

我能得到的第二好的是"(:)(?=.*\1)" on regex.com - 它可以识别除最后一个 : 之外的所有内容（这与我想要的相反）但在 R 中不起作用，不知道为什么？

str_remove(string = s, pattern = "(:)(?=.*\1)")
# [1] "note: conducted by j:m"  "location: made :n :apan" "date: 2010, ma: 3rd" 

Answer 1

试试this 模式：

(?:^[^:]*:|\G(?!^))[^:]*\K:

现在，我不知道这是否适用于 Ruby，因为老实说，我对此几乎一无所知。

我确实让 this 样本在单个字符串上工作，让我认为它应该工作 =)

str = "location: made : in japan: or what:"
str.gsub(/(?:^[^:]*:|\G(?!^))[^:]*\K:/, '')

Answer 2

在这里分两步尝试使用sub：

first <- sub("^(.*?:).*", "\\1", s)
second <- sub("^.*?:", "", s)
second <- sub(":", "", second, fixed=TRUE)
out <- paste0(first, second)
out

[1] "note: conducted by jm"  "location: made in apan" "date: 2010, ma 3rd"

数据：

s <- c("note: conducted by j:m",
       "location: made in :apan",
       "date: 2010, ma: 3rd")

这里的方法是在一个变量中捕获每个字符串，直到并包括第一个冒号，然后在第二个变量中捕获每个字符串的其余部分。然后，我们只从第二个变量中删除冒号，最后将两部分粘贴在一起以生成预期的输出。

请注意，更简洁的方法是使用 sub 或 str_replace_all 与回调函数，但语法并不那么简单。

Answer 3

不幸的是，“Look-Behind 模式匹配必须有一个有界的最大长度。”

所以，Tim's approach 可能是要走的路

1. 将每个字符串分成两部分，
2. 从第二部分中删除所有:，然后
3. 重新连接第一部分和修改后的第二部分

这是一个单行实现：

library(stringr)
sapply(str_split(s, "(?<=:)", n = 2L), function(x) paste0(x[1L], str_remove_all(x[-1L], ":")))

返回

[1] "note: conducted by jm"    "location: made n apan"    "date: 2010, ma 3rd"      
[4] "no double colon"          "test1:"                   "test2: colon1 colon2 end"

对于增强的样本字符向量（包括一些边缘情况）：

s <- c("note: conducted by j:m",
       "location: made :n :apan",
       "date: 2010, ma: 3rd",
       "no double colon",
       "test1::::",
       "test2: colon1: colon2: end")

Answer 4

从所述问题的外观来看，正则表达式似乎太复杂了。非正则表达式方式不是更简单吗？喜欢这个：

for s in ss:
    it = re.subn( ":", "#", s, count=1 ) #Replace the first ":" with "#" to distinguish it from others
    print( it[0].replace( ":", "" ).replace( "#", ":" ) ) #Remove remaining ":"s and bring back the original

当然，如果您出于其他原因更喜欢基于正则表达式的解决方案，则不会这样做。 （另外，给出的解决方案是 Python 而不是 R，你可能已经注意到了。）