在R语言中移除向量字符串的共同起始匹配模式

我有若干存储于向量中的字符串，需要移除这些字符串的共同起始匹配模式，但不清楚该模式的具体内容与长度。示例向量如下：

stringa <- c("apple_tart", "apple_pie", "apple_fritter")
stringb <- c("baby breath", "baby oil", "baby doll", "baby name")

期望得到的结果为：

resultsa  <- c("tart", "pie", "fritter")
resultsb <- c("breath", "oil", "doll", "name")

已知明确模式或长度时可使用str_remove实现需求，请问是否有办法先定位该起始模式再借助str_remove完成操作？

解决方案 #

方法一：使用stringr包快速实现 #

stringr包提供的str_common_prefix()函数可直接提取向量中所有字符串的最长共同起始前缀，再结合str_remove()移除前缀及后续的分隔符（如下划线、空格等）：

1. 加载stringr包：

library(stringr)

2. 处理stringa向量：

# 获取最长共同前缀
common_prefix_a <- str_common_prefix(stringa)
# 移除前缀及后续的非单词分隔符（正则^匹配字符串开头）
resultsa <- str_remove(stringa, paste0("^", common_prefix_a, "\\W"))

3. 处理stringb向量：

common_prefix_b <- str_common_prefix(stringb)
resultsb <- str_remove(stringb, paste0("^", common_prefix_b, "\\W"))

执行后即可得到目标结果。

方法二：Base R实现（无需额外包） #

如果不想依赖第三方包，可以自行编写函数提取共同前缀，再用gsub()完成移除：

1. 编写提取共同前缀的函数：

get_common_prefix <- function(str_vec) {
  if (length(str_vec) == 1) return(str_vec)
  # 将每个字符串拆分为单个字符
  split_chars <- strsplit(str_vec, "")
  # 取最短字符串长度作为遍历上限
  min_length <- min(sapply(split_chars, length))
  # 找出所有位置上字符完全相同的索引
  same_chars <- sapply(1:min_length, function(i) {
    all(sapply(split_chars, function(x) x[i] == split_chars[[1]][i]))
  })
  # 拼接共同前缀
  if (any(same_chars)) {
    paste(split_chars[[1]][same_chars], collapse = "")
  } else {
    ""
  }
}

2. 处理目标向量：

# 处理stringa
prefix_a <- get_common_prefix(stringa)
resultsa <- gsub(paste0("^", prefix_a, "\\W"), "", stringa)

# 处理stringb
prefix_b <- get_common_prefix(stringb)
resultsb <- gsub(paste0("^", prefix_b, "\\W"), "", stringb)

内容的提问来源于stack exchange，提问作者Katie Helm