質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.34%

  • Python

    9185questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 正規表現

    830questions

    正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。

正規表現で重複する単語を削除したい

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 2
  • VIEW 184
退会済みユーザー

退会済みユーザー

 前提・実現したいこと

1行のテキストに空白区切りで英単語が含まれています。
このテキストに対して重複する単語を初回登場分だけ残して削除するというプログラムを書きたいと考えています。

 発生している問題・エラーメッセージ

重複する単語の最後だけを残すマッチパタンはそれっぽく動くようになったので、
現在のプログラムでは以下のような仕様にしています。

1) 単語の順番を逆にする
2) 重複する単語の最後だけを残して抽出
3) 逆順にして元の出現順に

これを、正規表現の置換だけで一発処理できるようにできないでしょうか。

 該当のソースコード

import re
def remove_duplicate(txt):
    rev_txt = ' '.join(reversed(txt.split()))  # 単語を逆順にしたテキストをつくる
    unique_words = re.findall(r'\b(\w+)\b(?!.*\b\1\b)', rev_txt)  # 重複する単語は最後だけ残して抽出
    return ' '.join(reversed(unique_words))  # 元々の順番に戻す


# 以下は動作チェック用
from collections import OrderedDict
def check_remove_duplicate(txt):
    return ' '.join(OrderedDict({w: '' for w in txt.split()}))

test_patterns = [
    ['ten ten ten', 'ten'],
    ['one two three', 'one two three'],
    ['one two one one ten ten', 'one two ten'],
    ['one two one one three', 'one two three'],
    ['four three two one one two three four', 'four three two one'],
    ['one eno one one oneone one eno oneeno', 'one eno oneone oneeno'],
    ['a for a in aa if a is b and b in aa', 'a for in aa if is b and'],
    ['as we know there are known knowns there are things we know that we know there are known unknowns there are things that we now know we do not know there are also unknown unknowns there are things we do not know we do not know',
     'as we know there are known knowns things that unknowns now do not also unknown'],
    ['', ''],
]


for s, exp in test_patterns:
    res = remove_duplicate(s)
    assert res == exp, res
    assert res == check_remove_duplicate(s), res

 試したこと

後読み機能でうまくマッチパタンを書けないか試してみましたが、pythonの正規表現では後読みは固定長のパタンしか使用できないようなので、あきらめました。

 補足情報(FW/ツールのバージョンなど)

python 3.6.x

 追記

単語の順番を反転させずに済む方法も考えてみましたが、処理が遅いです。

def remove_duplicate(txt):
    unique_words = re.findall(r'\b(\w+)\b(?!.*\b\1\b)', txt)  # ユニークな単語を抽出 (単語が最後に登場する順番)
    return ' '.join(sorted(unique_words, key=lambda x: re.search(r'\b{}\b'.format(x), txt).start()))  # 単語の最初の出現位置でソート
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

+1

どう考えても正規表現向きの課題とは思えません。
素直に、

  1. 先頭から順番に単語を読みだす。
  2. 出てきた単語を片っ端から「既出リスト」に追加
  3. 既に既出リストにある単語であったなら絡文字列に置換
  4. 出力

正規表現のブードゥーを駆使することを考えるよりこのほうが明らかに簡単確実です。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/07/17 18:09

    回答ありがとうございます。ご指摘はごもっともでOrderedDictかSetあたりを使うのが簡単だと思います。今回は正規表現に慣れるのが目的なので、面白い技がないかもう少し考えてみようと思います。

    キャンセル

同じタグがついた質問を見る

  • Python

    9185questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • 正規表現

    830questions

    正規表現とは特定の文字列によるパターンマッチングを行う際に用いられる宣言型プログラミングです。