Abbina e rimuovi caratteri duplicati: sostituisci più (3+) occorrenze non consecutive

Sto cercando un regexmodello che corrisponda alla terza, quarta, ... occorrenza di ciascun personaggio. Guarda sotto per chiarimenti:

Ad esempio ho la seguente stringa:

111aabbccxccybbzaa1

Voglio sostituire tutti i caratteri duplicati dopo la seconda occorrenza. L'output sarà:

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

Alcuni schemi regex che ho provato finora:

Utilizzando la seguente regex posso trovare l'ultima occorrenza di ciascun personaggio: (.)(?=.*\1)

O usando questo posso farlo per duplicati consecutivi ma non per duplicati: ([a-zA-Z1-9])\1{2,}

Soluzione R non regex. Dividi stringa. Sostituisci elementi di questo vettore con rowid> = 3 * con '-'. Incollalo di nuovo insieme.

x <- '111aabbccxccybbzaa1'

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

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

* rowid(x)è un vettore intero con ogni elemento che rappresenta il numero di volte in cui xè stato realizzato il valore dall'elemento corrispondente di . Quindi, se l'ultimo elemento di xè 1, ed è la quarta volta in cui si 1è verificato x, l'ultimo elemento di rowid(x)è 4.

Puoi farlo facilmente senza regex:

Vedi il codice in uso qui

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)

Risultato:

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

Come funziona:

1. for u in set(s) ottiene un elenco di caratteri univoci nella stringa: {'c','a','b','y','1','z','x'}
2. for i in ... passa in rassegna gli indici che raccogliamo in 3.
3. [i for i in range(len(s)) if s[i]==u][2:]passa in rassegna ogni carattere della stringa e verifica se corrisponde u(dal passaggio 1), quindi suddivide l'array dal 2 ° elemento alla fine (rilasciando i primi due elementi se esistono)
4. Impostare la stringa su s[:i]+'-'+s[i+1:]- concatena la sottostringa fino all'indice con -e quindi la sottostringa dopo l'indice, omettendo efficacemente il carattere originale.

Un'opzione con 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---"

dati

x <- '111aabbccxccybbzaa1'

Nessuna reiner in pitone 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---"

Questo enumera attraverso la stringa, contando le occorrenze del carattere corrente dietro di essa e inserendo il carattere solo se è uno dei primi 2, altrimenti trattino.

Un altro modo di farlo 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())

Uscita :

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

_{Grazie a Wiktor Stribiżew , Stefan Pochmann e alla bolla bobble . Per motivi di completamento, sto postando possibili regexsoluzioni discusse nei commenti;}

Questo è possibile solo con una regex che supporta un lookbehind a larghezza infinita. Utilizzando il modulo regex Python PyPi possiamo fare quanto segue:

#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---

Snippet .