按相互匹配的前 n 个字母对字符向量的元素进行分组

Question

目标：我想找到一种方法来对字符向量进行分组，例如：

x <- c("a800k blue 5", "a800j", "bb-blah5", "a800 7", "bb-blah2", "bb-blah3")

按照“潜在客户匹配”的形式划分为最少元素的组，以便在grep 搜索中调用它们。所以上面玩具示例的解决方案是：

solution <- c("a800", "bb-blah")

因为使用模式“a800”对 x 进行grep 搜索会产生以“a800”开头的所有 3 个元素。

注意：我可以对将包含在向量中的字符串做很少的假设。长度会在几个字符串和相当长的字符串（可能 10 个或更多）之间变化，其中包含数字、字母、空格和一些让生活非常困难的特殊字符的组合。

所以我想要一个像intersect 这样工作的函数，也许，但在每个单独的字符串上。 有什么想法吗？

Answer 1

可能有更优雅（高效）的方法，但这适用于您的示例字符串。最长公共前缀是根据字符串的成对组合 (combn) 计算的 (Biobase::lcPrefixC*)。

source("https://bioconductor.org/biocLite.R")
biocLite("Biobase")

unique(combn(seq_along(x), 2, FUN = function(cm) lcPrefixC(x[cm])))
# [1] "a800"    ""        "bb-blah"

---

目前尚不清楚您是否在前缀长度和组大小之间进行交易。例如：

x <- c("1234", "1235", "1245", "1246")

您希望有一个较大的组，前缀较短（"12"），还是两个较小的组，前缀较长（"123" 和"124"）？

---

*"lcPrefixC 是 C 中更快的实现。[但请注意]它只处理 ascii 字符"。另见lcPrefix。

---