R正則表達式匹配/省略幾個重複

Question

我使用反向引用來擺脫變量名向量中的意外重複。我遇到的第一種情況下的名稱具有類似的重複模式

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

重複總是由下劃線分隔，並且只有一個重複消除。它們總是從文本的開頭開始。檢查正則表達式食譜，2ED後，我來到了問題的解答：

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

我很擔心未來的情況下，可能有破折號或空格作爲分隔符，所以我想概括了一下匹配。我解決了這個問題。

> 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" 

到目前爲止，總勝利。

現在，如果在某些情況下有三個重複，那麼正確的修正是什麼？在這一個中，我希望「鄉村國家」成爲一個「國家」。

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

我願意用「_」替代所有的分隔符，如果這樣可以更容易地擺脫重複的單詞。

Answer 1

您可以量化[,_ -]\1部分：

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

見R demo

注意我也\s替代空間來匹配任何空白。

詳細：

• ^ - 一個字符串的開始
• (.*?)匹配 - 任何0+字符儘可能少到第一...
• (?:
  • [,_\\s-] - ,，_，空格或次或更多次 -
  • \\1 - 如在第1組
• )+捕獲相同的值。

如果你只是想重複部分1〜2次匹配，更換+與{1,2}限制量詞：

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