R正则表达式匹配/省略多次重复

Question

我使用反向引用来消除变量名称向量中的意外重复。我遇到的第一个案例中的名称有这样的重复模式

x <- c("gender_gender-1", "county_county-2", "country_country-1997",
       "country_country-1993")

重复项始终用下划线分隔，并且只有一个重复项需要消除。它们总是从文本的开头开始。在检查了正则表达式食谱 2ed 后，我得到了一个有效的答案:

> gsub("^(.*?)_\\1", "\\1", x)
[1] "gender-1"     "county-2"     "country-1997" "country-1993"

我担心 future 的情况可能会有破折号或空格作为分隔符，所以我想概括一下匹配。我也解决了。

> x <- c("gender_gender-1", "county-county-2", "country country-1997",
+       "country,country-1993")
> gsub("^(.*?)[,_\ -]\\1", "\\1", x)
[1] "gender-1"     "county-2"     "country-1997" "country-1993"

到目前为止，完全胜利。

现在，如果在某些情况下出现三个重复，正确的解决方法是什么？在这一篇中，我希望“国家-国家-国家”成为一个“国家”。

> x <- c("gender_gender-1", "county-county-county-2")
> gsub("^(.*?)[,_\ -]\\1", "\\1", x)
[1] "gender-1"        "county-county-2"   

如果这样可以更轻松地消除重复单词，我愿意用“_”替换所有分隔符。

Answer 1

您可以量化[,_ -]\1部分:

gsub("^(.*?)(?:[,_\\s-]\\1)+", "\\1", x, perl=TRUE)

请参阅R demo

注意，我还将空格替换为 \s 以匹配任何空格(这需要 perl=TRUE)。您还可以使用 [:space:] 匹配任何空格，则不需要 perl=TRUE，即 gsub("^(.*?)( ?:[,_[:空格:]-]\\1)+", "\\1", x)。

详细信息:

• ^ - 匹配字符串的开头
• (.*?) - 任何 0+ 个字符，尽可能少到第一个...
• (?:
  • [,_\\s-] - 、、_、空格或 -
  • \\1 - 与组 1 中捕获的值相同
• )+ - 1 次或多次。

如果您只想匹配重复部分 1 或 2 次，请将 + 替换为 {1,2} 限制量词:

gsub("^(.*?)(?:[,_\\s-]\\1){1,2}", "\\1", x, perl=TRUE)