查找两个字符变量之间的公共子字符串答案

【问题标题】：Find common substrings between two character variables查找两个字符变量之间的公共子字符串
【发布时间】：2013-04-18 06:14:36
【问题描述】：

我有两个字符变量（对象的名称），我想提取最大的公共子字符串。

a <- c('blahABCfoo', 'blahDEFfoo')
b <- c('XXABC-123', 'XXDEF-123')

我想要以下结果：

[1] "ABC" "DEF"

这些向量作为输入应该给出相同的结果：

a <- c('textABCxx', 'textDEFxx')
b <- c('zzABCblah', 'zzDEFblah')

这些例子具有代表性。字符串包含标识元素，每个向量元素中的其余文本是常见的，但未知。

是否有解决方案，在以下位置之一（按优先顺序）：

基础R
推荐包
CRAN 上可用的软件包

假设重复的答案不满足这些要求。

【问题讨论】：

看看这个问题：stackoverflow.com/questions/1429476/…
还有这个：finzi.psych.upenn.edu/R/Rhelp02a/archive/68013.html
svitsrv25.epfl.ch/R-doc/library/Biostrings/html/…，还有这个emoticode.net/r/longest-common-substring.html
我正在寻找一个基本功能，或者推荐包中的东西（在 CRAN 上可用）。
@MatthewLundberg 看起来它并不存在，除非 Google 选择隐藏它。

标签： r lcs

【解决方案1】：

这是一个 CRAN 包：

library(qualV)

sapply(seq_along(a), function(i)
    paste(LCS(strsplit(a[i], '')[[1]], strsplit(b[i], '')[[1]])$LCS,
          collapse = ""))

【讨论】：

(+1) 用于 CRAN 包。我发现这个函数的输入 really 很奇怪。我的意思是，很明显，必须创建所有后缀。为什么要求用户这样做？好消息是他们有自己的 C 语言 LCS 实现。
@Arun，是的，我明白你在说什么，我说的是这个包以处理数字向量为中心，这个函数是 LCSequence，这是一个概括的 LCSubstring。如果有人为字符串编写专门的版本当然会很好，但是哦。
@ConfusedMan 此链接是否描述了您的问题：stackoverflow.com/q/28261825/1175496 ？您是否期望仅输出 'AR ' 而不是 'AR I'？
另外，我认为用strsplit(a[i],'')[[1]] 替换substring(a[i], seq(1, nchar(a[i])), seq(1, nchar(a[i]))) 更容易。起初我只是觉得这更容易阅读。但是 [this site] 建议 strsplit(...) 也更有效率
最后，只要 LCS 被设计为接受向量，这里是字符串到向量的翻译：function(a,b){ av <- strsplit(a,'')[[1]]; bv <- strsplit(b,'')[[1]]; return(paste(LCS(av,bv)$LCS, collapse='')); }

【解决方案2】：

如果您不介意使用生物导体封装，那么，您可以使用Rlibstree。安装非常简单。

source("http://bioconductor.org/biocLite.R")
biocLite("Rlibstree")

那么，你可以这样做：

require(Rlibstree)
ll <- list(a,b)
lapply(data.frame(do.call(rbind, ll), stringsAsFactors=FALSE), 
           function(x) getLongestCommonSubstring(x))

# $X1
# [1] "ABC"

# $X2
# [1] "DEF"

附带说明：我不太确定Rlibstree 是使用libstree 0.42 还是libstree 0.43。这两个库都存在于源包中。我记得在使用libstree 0.42 的perl 中的一个巨大数组上遇到了内存泄漏（因此出现了错误）。请注意。

【讨论】：

【解决方案3】：

因为我有太多不想做的事情，所以我改为这样做了：

Rgames> for(jj in 1:100) {
+ str2<-sample(letters,100,rep=TRUE)
+ str1<-sample(letters,100,rep=TRUE)
+ longs[jj]<-length(lcstring(str1,str2)[[1]])
+ }
Rgames> table(longs)
longs
 2  3  4 
59 39  2

有人愿意对匹配字符串的实际分布进行统计估计吗？（lcstring 只是一个蛮力的家庭滚动函数；输出包含所有最大字符串，这就是为什么我只查看第一个列表元素）

【讨论】：