Empareja y elimina caracteres duplicados: reemplaza múltiples (3+) ocurrencias no consecutivas

Estoy buscando un regexpatrón que coincida con la tercera, cuarta, ... aparición de cada personaje. Mire abajo para aclaraciones:

Por ejemplo, tengo la siguiente cadena:

111aabbccxccybbzaa1

Quiero reemplazar todos los caracteres duplicados después de la segunda aparición. El resultado será:

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

Algunos patrones de expresiones regulares que probé hasta ahora:

Usando la siguiente expresión regular puedo encontrar la última aparición de cada carácter: (.)(?=.*\1)

O usando este, puedo hacerlo por duplicados consecutivos pero no por duplicados: ([a-zA-Z1-9])\1{2,}

Solución no regex R. Cuerda partida Reemplace los elementos de este vector que tengan rowid> = 3 * con '-'. Pegar de nuevo juntos.

x <- '111aabbccxccybbzaa1'

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

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

* rowid(x)es un vector entero con cada elemento que representa la cantidad de veces que xse ha realizado el valor del elemento correspondiente de . Entonces, si el último elemento de xes 1, y esa es la cuarta vez que 1ocurre x, el último elemento de rowid(x)es 4.

Puede lograr esto fácilmente sin expresiones regulares:

Ver código en uso aquí

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)

Resultado:

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

Cómo funciona esto:

1. for u in set(s) obtiene una lista de caracteres únicos en la cadena: {'c','a','b','y','1','z','x'}
2. for i in ... recorre los índices que reunimos en 3.
3. [i for i in range(len(s)) if s[i]==u][2:]recorre cada carácter en la cadena y comprueba si coincide u(desde el paso 1), luego corta la matriz desde el segundo elemento hasta el final (eliminando los dos primeros elementos si existen)
4. Configure la cadena para s[:i]+'-'+s[i+1:]concatenar la subcadena hasta el índice con -y luego la subcadena después del índice, omitiendo efectivamente el carácter original.

Una opción 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---"

datos

x <- '111aabbccxccybbzaa1'

No regex python 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---"

Esto enumera a través de la cadena, contando las ocurrencias del carácter actual detrás de él y solo coloca el carácter si es uno de los primeros 2, de lo contrario, el guión.

Otra forma de hacerlo 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())

Salida :

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

_{Gracias a Wiktor Stribiżew , Stefan Pochmann y Bobble Bubble . En aras de la finalización, estoy publicando posibles regexsoluciones discutidas en los comentarios;}

Esto solo se puede hacer con una expresión regular que admita mirar hacia atrás de ancho infinito. Usando el módulo Pyge Pyge regex podemos hacer lo siguiente:

#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---

Fragmento .