Совпадение и удаление повторяющихся символов: замена нескольких (3+) непоследовательных вхождений

Я ищу regexшаблон, который будет соответствовать третьему, четвертому, ... вхождению каждого персонажа. Посмотрите ниже для уточнения:

Например, у меня есть следующая строка:

111aabbccxccybbzaa1

Я хочу заменить все дублированные символы после второго вхождения. Выход будет:

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

Некоторые шаблоны регулярных выражений, которые я пробовал до сих пор:

Используя следующее регулярное выражение, я могу найти последнее вхождение каждого символа: (.)(?=.*\1)

Или используя этот, я могу сделать это для последовательных дубликатов, но не для любых дубликатов: ([a-zA-Z1-9])\1{2,}

Нерегулярное R решение. Разделить строку. Заменить элементы этого вектора, имеющие rowid> = 3 *, на '-'. Вставьте его обратно вместе.

x <- '111aabbccxccybbzaa1'

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

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

* rowid(x)- целочисленный вектор, каждый элемент которого представляет количество раз, когда значение из соответствующего элемента xбыло реализовано. Так что, если последний элемент xявляется 1, и это в четвертый раз 1произошло в xпоследний элемент rowid(x)является 4.

Вы можете легко сделать это без регулярных выражений:

Смотрите код в использовании здесь

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)

Результат:

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

Как это работает:

1. for u in set(s) получает список уникальных символов в строке: {'c','a','b','y','1','z','x'}
2. for i in ... перебирает индексы, которые мы собираем в 3.
3. [i for i in range(len(s)) if s[i]==u][2:]перебирает каждый символ в строке и проверяет, совпадает ли он u(с шага 1.), затем разделяет массив от 2-го элемента до конца (удаляя первые два элемента, если они существуют)
4. Задайте для строки s[:i]+'-'+s[i+1:]- конкатенировать подстроку до индекса с, -а затем подстроку после индекса, фактически пропуская исходный символ.

Вариант с 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---"

данные

x <- '111aabbccxccybbzaa1'

Нет регулярных выражений Python, одна строка:

s = "111aabbccxccybbzaa1"

print("".join(char if s.count(char, 0, i) < 2 else "-" for i, char in enumerate(s)))
# ==> "11-aabbccx--y--z---"

Это перечисляет через строку, считая вхождения текущего символа позади него и только помещая символ, если это один из первых 2, иначе черточка.

Еще один способ сделать это с 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())

Выход :

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

_{Спасибо Виктору Стрибьеву , Стефану Похманну и Боббл-пузырю . Ради завершения я выкладываю возможноregex решения, обсуждаемые в комментариях;}

Это возможно только с регулярным выражением, которое поддерживает бесконечную ширину. Используя модуль регулярных выражений Python PyPi, мы можем сделать следующее:

#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---

Отрывок .