Самая длинная общая подстрока из более чем двух строк - Python
Я ищу библиотеку Python для поиска самой длинной общей подстроки из набора строк. Есть два способа решения этой проблемы:
- используя суффикс деревья
- используя динамическое программирование.
Реализованный метод не важен. Важно, что он может использоваться для набора строк (не только двух строк).
10 ответов
Эти парные функции найдут самую длинную общую строку в любом произвольном массиве строк:
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and is_substr(data[0][i:i+j], data):
substr = data[0][i:i+j]
return substr
def is_substr(find, data):
if len(data) < 1 and len(find) < 1:
return False
for i in range(len(data)):
if find not in data[i]:
return False
return True
print long_substr(['Oh, hello, my friend.',
'I prefer Jelly Belly beans.',
'When hell freezes over!'])
Без сомнения, алгоритм мог бы быть улучшен, и у меня не было много опыта работы с Python, так что, возможно, он мог бы быть более синтаксически более эффективным, но он должен выполнять свою работу.
РЕДАКТИРОВАТЬ: встроенная вторая функция is_substr, как продемонстрировано JF Sebastian. Использование остается прежним. Примечание: без изменений в алгоритме.
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and all(data[0][i:i+j] in x for x in data):
substr = data[0][i:i+j]
return substr
Надеюсь это поможет,
Джейсон.
Это можно сделать короче:
def long_substr(data):
substrs = lambda x: {x[i:i+j] for i in range(len(x)) for j in range(len(x) - i + 1)}
s = substrs(data[0])
for val in data[1:]:
s.intersection_update(substrs(val))
return max(s, key=len)
Наборы (вероятно) реализованы в виде хэш-карт, что делает это немного неэффективным. Если вы (1) реализуете установленный тип данных в виде дерева и (2) просто сохраняете постфиксы в дереве и затем заставляете каждый узел быть конечной точкой (это будет эквивалентно добавлению всех подстрок), то теоретически я бы предположил этот ребенок довольно эффективен для памяти, особенно потому, что пересечения попыток очень легко.
Тем не менее, это коротко, и преждевременная оптимизация является корнем значительного количества потерянного времени.
def common_prefix(strings):
""" Find the longest string that is a prefix of all the strings.
"""
if not strings:
return ''
prefix = strings[0]
for s in strings:
if len(s) < len(prefix):
prefix = prefix[:len(s)]
if not prefix:
return ''
for i in range(len(prefix)):
if prefix[i] != s[i]:
prefix = prefix[:i]
break
return prefix
Я предпочитаю это для is_substrЯ считаю это немного более читабельным и интуитивно понятным:
def is_substr(find, data):
"""
inputs a substring to find, returns True only
if found for each data in data list
"""
if len(find) < 1 or len(data) < 1:
return False # expected input DNE
is_found = True # and-ing to False anywhere in data will return False
for i in data:
print "Looking for substring %s in %s..." % (find, i)
is_found = is_found and find in i
return is_found
Вы можете использовать модуль SuffixTree, который является оболочкой, основанной на реализации обобщенных суффиксов в ANSI C. Модуль прост в обращении....
Взгляните на: здесь
# this does not increase asymptotical complexity
# but can still waste more time than it saves. TODO: profile
def shortest_of(strings):
return min(strings, key=len)
def long_substr(strings):
substr = ""
if not strings:
return substr
reference = shortest_of(strings) #strings[0]
length = len(reference)
#find a suitable slice i:j
for i in xrange(length):
#only consider strings long at least len(substr) + 1
for j in xrange(i + len(substr) + 1, length + 1):
candidate = reference[i:j] # ↓ is the slice recalculated every time?
if all(candidate in text for text in strings):
substr = candidate
return substr
Отказ от ответственности Это очень мало добавляет к ответу jtjacques. Однако, надеюсь, это должно быть более читабельным и быстрым, и оно не помещалось в комментарии, поэтому я и публикую это в ответе. Я не удовлетворен shortest_of, Если честно.
Добавление одного перерыва значительно ускоряет ответ jtjacques на моей машине (примерно в 1000 раз для файлов размером 16 КБ):
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(substr)+1, len(data[0])-i+1):
if all(data[0][i:i+j] in x for x in data[1:]):
substr = data[0][i:i+j]
else:
break
return substr
Если кто-то ищет обобщенную версию, которая может также взять список последовательностей произвольных объектов:
def get_longest_common_subseq(data):
substr = []
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and is_subseq_of_any(data[0][i:i+j], data):
substr = data[0][i:i+j]
return substr
def is_subseq_of_any(find, data):
if len(data) < 1 and len(find) < 1:
return False
for i in range(len(data)):
if not is_subseq(find, data[i]):
return False
return True
# Will also return True if possible_subseq == seq.
def is_subseq(possible_subseq, seq):
if len(possible_subseq) > len(seq):
return False
def get_length_n_slices(n):
for i in xrange(len(seq) + 1 - n):
yield seq[i:i+n]
for slyce in get_length_n_slices(len(possible_subseq)):
if slyce == possible_subseq:
return True
return False
print get_longest_common_subseq([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]])
print get_longest_common_subseq(['Oh, hello, my friend.',
'I prefer Jelly Belly beans.',
'When hell freezes over!'])
Решение Caveman, которое предоставит вам фрейм данных с верхней наиболее частой подстрокой в строковой базе на длине подстроки, которую вы передаете в виде списка:
import pandas as pd
lista = ['How much wood would a woodchuck',' chuck if a woodchuck could chuck wood?']
string = ''
for i in lista:
string = string + ' ' + str(i)
string = string.lower()
characters_you_would_like_to_remove_from_string = [' ','-','_']
for i in charecters_you_would_like_to_remove_from_string:
string = string.replace(i,'')
substring_length_you_want_to_check = [3,4,5,6,7,8]
results_list = []
for string_length in substring_length_you_want_to_check:
for i in range(len(string)):
checking_str = string[i:i+string_length]
if len(checking_str) == string_length:
number_of_times_appears = (len(string) - len(string.replace(checking_str,'')))/string_length
results_list = results_list+[[checking_str,number_of_times_appears]]
df = pd.DataFrame(data=results_list,columns=['string','freq'])
df['freq'] = df['freq'].astype('int64')
df = df.drop_duplicates()
df = df.sort_values(by='freq',ascending=False)
display(df[:10])
результат:
string freq
78 huck 4
63 wood 4
77 chuc 4
132 chuck 4
8 ood 4
7 woo 4
21 chu 4
23 uck 4
22 huc 4
20 dch 3
Мой ответ довольно медленный, но очень простой для понимания. Работа с файлом со 100 строками по 1 КБ каждая занимает около двух секунд, возвращает любую самую длинную подстроку, если их больше одной.
ls = list()
ls.sort(key=len)
s1 = ls.pop(0)
maxl = len(s1)
# 1 создать список всех подстрок, отсортированных по длине в обратном порядке. Таким образом, нам не нужно проверять весь список.
subs = [s1[i:j] for i in range(maxl) for j in range(maxl,i,-1)]
subs.sort(key=len, reverse=True)
# 2 Проверить подстроку со следующей по кратчайшей строке, затем со следующей и т. Д. Если ее нет в какой-либо следующей по кратчайшей строке, прервите цикл, это нечасто. Если он проходит все проверки, по умолчанию он самый длинный, разорвите цикл.
def isasub(subs, ls):
for sub in subs:
for st in ls:
if sub not in st:
break
else:
return sub
break
print('the longest common substring is: ',isasub(subs,ls))