删除由重复字母组成的单词

Question

我有一个包含文本数据的数据框列。它几乎没有用重复字母组成的单词，而很少有其他单词具有重复字母。我希望删除由完全重复的字母组成的单词，并在数据帧列中保留第一次出现的字母（如果重复字母的计数大于2）。这该怎么做？例如，如果我的数据框有像 -

id   text
1     aaaa
2     bb
3     wwwwwwww
4     helloooo
5     see youuuu 

输出应该是 -

id   text
1     
2     
3    
4    hello
5    see you 

Answer 1

这可能不是特别优雅，可能不是很快，但它的工作原理。我希望它足以满足您的需求。

您生成一个函数，根据您的需要对字符串进行排序，然后使用pandas映射将其应用于您的所有元素，因此：

def clean(string):
    if (len(string)==0):
        return ''
    if (set(string) == set(string[0])):
        return ''    
    prev = None
    letters = [l for l in string]
    counter = 1
    new = []
    for l in letters:
        if l==prev:
            counter+=1
        else:
            if (counter==2):
                new.append(prev)
            counter=1
            new.append(l)
            prev = l
    return ''.join(new)

然后你可以这样做：

df['text'] = df['text'].fillna('').map(clean)

简而言之，首先检查一个字母中的整个字符串（set只保留唯一元素）。然后你开始迭代所有字母，跳过重复，但保持重复字母的计数。最后，当重复序列完成时，仅当重复次数恰好为2时才添加一个副本。

我测试了这个并得到了预期的结果，但如果你遇到某些情况我遇到问题我没想到检查，请告诉我，我会修复它。