替换包含模式的整个单词 - gsub 和 R

Question

我正在尝试清除一些文本中的垃圾。在执行此操作时，我假设任何有一个字母（任何字母）重复三次或更多次的单词都是垃圾 - 我想将其删除。

我想到了这个：

gsub(pattern = "[a-zA-Z]\1\1", replacement = "", string)

其中string是字符向量，但是这样不行。我尝试过的所有其他方法都可能找到模式，但它只是删除了模式，留下了一团糟。我正在尝试删除带有模式的整个单词。

有什么想法吗？

Answer 1

您需要将“捕获组”分配给 [.] class，方法是将其包裹在括号中，因为 \1 需要引用一些内容：

gsub("([a-zA-Z])\1\1", "", "aabbbccdddee")
# [1] "aaccee"

Answer 2

根据 OP 评论更新：试试这个：

gsub("([A-Z]&|[a-z])\1{2, }", "", "AAA")
[1] "AAA"
gsub("([A-Z]&|[a-z])\1{2, }", "", "aabbbccdddee")
[1] "aaccee"

使用不同正则表达式的 r2evans 示例：

gsub("(\w)\1{2, }", "", "aabbbccdddee")

[1] "aaccee"

Answer 3

你需要

gsub("\s*[[:alpha:]]*([[:alpha:]])\1{2}[[:alpha:]]*", "", string)
gsub("\s*\p{L}*(\p{L})\1{2}\p{L}*", "", string, perl=TRUE)
stringr::str_replace_all(string, "\s*\p{L}*(\p{L})\1{2}\p{L}*", "")

看到一个 R demo:

string <- "This is a baaaad unnnnecessary short word"
gsub("\s*[[:alpha:]]*([[:alpha:]])\1{2}[[:alpha:]]*", "", string)
gsub("\s*\p{L}*(\p{L})\1{2}\p{L}*", "", string, perl=TRUE)
library(stringr)
str_replace_all(string, "\s*\p{L}*(\p{L})\1{2}\p{L}*", "")

全部屈服 [1] "This is a short word".

见regex demo。 正则表达式详细信息：

\s* - 零个或多个空格
\p{L}* / [[:alpha:]]* - 零个或多个字母
(\p{L}) - 捕获第 1 组：任何单个字母
{2} - 两次出现与组 1
\p{L}* / [[:alpha:]]* - 零个或多个字母。

替换包含模式的整个单词 - gsub 和 R

Replace a whole word containing a pattern - gsub and R

regex

string

replace

r