string - 通过删除连续重复来减少字符串长度

Question

我有一个包含 2 个字段的 R 数据框：

ID             WORD
1           AAAAABBBBB
2           ABCAAABBBDDD
3           ...

我想通过只保留字母而不是重复的重复字母来简化带有重复字母的单词：

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

任何人都知道如何做到这一点？

Answer 1

这是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，一些基准测试。我在评论中添加了 Matthew Lundberg 的模式，匹配任何字符。看起来这gsub要快一个数量级，并且匹配任何字符都比匹配字母要快。

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"