Question

我有一个R数据框，有两个字段：

ID             WORD
1           AAAAABBBBB
2           ABCAAABBBDDD
3           ...

我想通过重复字母来简化单词，只重复字母而不是重复字母：

例如：AAAAABBBBB应该给我AB 并且ABCAAABBBDDD应该给我ABCABD

任何人都知道如何做到这一点？

Answer 1

这是一个使用正则表达式的解决方案：

x <- c('AAAAABBBBB', 'ABCAAABBBDDD')
gsub("([A-Za-z])\\1+","\\1",x)

编辑：根据要求，进行一些基准测试。我在评论中添加了Matthew Lundberg的模式，匹配任何角色。似乎gsub的速度提高了一个数量级，匹配任何字符都比匹配字母快。

library(microbenchmark)
set.seed(1)
##create sample dataset
x <- apply(
  replicate(100,sample(c(LETTERS[1:3],""),10,replace=TRUE))
,2,paste0,collapse="")
##benchmark
xm <- microbenchmark(
    SAPPLY = sapply(strsplit(x, ''), function(x) paste0(rle(x)$values, collapse=''))
    ,GSUB.LETTER = gsub("([A-Za-z])\\1+","\\1",x)
    ,GSUB.ANY = gsub("(.)\\1+","\\1",x)
)
##print results
print(xm)
# Unit: milliseconds
         # expr       min        lq    median        uq       max
# 1    GSUB.ANY  1.433873  1.509215  1.562193  1.664664  3.324195
# 2 GSUB.LETTER  1.940916  2.059521  2.108831  2.227435  3.118152
# 3      SAPPLY 64.786782 67.519976 68.929285 71.164052 77.261952

##boxplot of times
boxplot(xm)
##plot with ggplot2
library(ggplot2)
qplot(y=time, data=xm, colour=expr) + scale_y_log10()

Answer 2

x <- c('AAAAABBBBB', 'ABCAAABBBDDD')
sapply(strsplit(x, ''), function(x) paste0(rle(x)$values, collapse=''))
## [1] "AB"     "ABCABD"

通过删除连续的重复项来减少字符串长度

2 个答案: