在R中的单个向量中删除多个字符串中的重复单词答案

【问题标题】：Removing Duplicate Words Among Multiple Strings Across a Single Vector in R在R中的单个向量中删除多个字符串中的重复单词
【发布时间】：2021-02-25 17:50:55
【问题描述】：

我有一个由多个字符串组成的向量（在 R 中）：

vec <- c("the cat the cat ran up the tree tree", "the dog ran up the up the tree", 
         "the squirrel squirrel ran up the tree")

我需要清除每个单独字符串中的重复单词。

期望的输出：

"the cat ran up the tree"
"the dog ran up the tree"
"the squirrel ran up the tree"

我已经尝试过以下解决方案：Removing duplicate words in a string in R。但是，这只会将我的多个字符串合并为一个复杂的字符串。

【问题讨论】：

我想对此投赞成票（这是一个有助于增加知识库的有用答案），但我不能。

标签： r text nlp duplicates

【解决方案1】：

我们可以用gsub来匹配两组词，一个词重复

gsub("((\\w+\\s+\\w+\\s?)|(\\w+\\s+))\\1+", "\\1", vec)
#[1] "the cat ran up the tree"    
#[2]  "the dog ran up the tree"     
#[3] "the squirrel ran up the tree"

【讨论】：

你能推荐一个涵盖这些规则的正则表达式教程吗？
@EnglishmanBob 也许this 会给出一些类似的语法解释