长度为 k 的非重叠子串的随机采样答案

【问题标题】：Random sampling of non-overlapping substrings of length k长度为 k 的非重叠子串的随机采样
【发布时间】：2013-05-15 09:21:52
【问题描述】：

给定一个长度为 n 的字符串，我将如何（伪）随机采样 m 个大小为 k 的子字符串，使得没有采样子串重叠？我的大部分脚本编写经验都是用 Perl 编写的，但任何通用语言的易于运行的解决方案就足够了。

【问题讨论】：

将字符串分成所需长度的样本；可能通过填充数组，然后my $rnd = $array[int rand @array]
我想我会考虑到有n-m*k 字符不会被使用，以及m+1 可以进入的空白。选择那些m+1 间隙的长度，这样它们加起来正好是n-m*k。（这样就不需要考虑重叠了。）
我假设子字符串需要是连续的（否则使用迭代器很容易做到）？
@ali_m 是的，子字符串是指原始字符串中的 k 个连续字符的字符串。
你为什么要这样做？我不确定我能想到一种算法，它不会偏向选择非常接近字符串开头或结尾的字符，所以它不会是“公平的”

标签： python string perl random sample

【解决方案1】：

如果输入中存在不能出现的字符，例如X，只是：

my $size = 20;
my $count = 20;
my $mark = 'X';
my $input = 'CCACGCATTTTTGTTCATTGTTCTGGCTTCTTACAAGGTTCAGTAGACTTTGTAACACAGTTGTGTCTCTCACAGATTGGCAGATGTTTGGTAAAGGATTGACTTTTCAGCCAACTCATGGGAAAGTGAAATAATGTAAAAAACAGGAAGAATACAGTTTTAGGCCTTTCAAGTGAGGCATGGCTTTCAGCTCTTGGCAAGAACAGGCAAGGAGATGCAAGTTTTAGGACTCTAAGAGGCTAGGCTTTTCAAAGTGCTTCTCTCCCCTTCACCCTCCTTCAGTTACAGCACCAAGCACCACCGAGGTGTTACCTGCAGCCTCACTCTCTACCTGGTTGTGGGATCCTGCCACTTCCTTAACCCACACTGAGTTCCTTGTGGTTCACAGGGTCACACAGAGGGCTGTAGAGATACAAAAGATATATGTGATTTTATATCACCTATCATATGAAGATATATTTATAAAATAGGAAACATATTAACCACTTATCATTTTATATATTTATGGTTTTATGTGTCAAAAATATATTGTTTCATGTATGTATTAAAGGATAAGTATGTATAAGAGGTTTTATAGATGTGTAAAATTATATATTTATACGTATCTTTACAAATTTAAGAATAAAGGAAGGAAAATTCTCAAAGAGGAATTCAGATATCAAGCAGTGCCCTTTGACCAAGAGCCTTGGTTACAACATACCTACAAAAGTGAACTATCATTGAAAGACCTATGGACACTGGATTTCTCTTTCCTTATTTAGAAGGGCAGTCTGTGTCTTGGAAAAGCATACAGTTTGTTGTATCTTGCTGGACAACAGGAGTCA';

if (2*$size*$count-$size-$count >= length($input)) {
    die "selection may not complete; choose a shorter length or fewer substrings, or provide a longer input string\n";
}

my @substrings;
while (@substrings < $count) {
    my $pos = int rand(length($input)-$size+1);
    push @substrings, substr($input, $pos, $size, $mark x $size)
        if substr($input, $pos, $size) !~ /\Q$mark/;
}

【讨论】：

非常清晰和简单的答案。不过有一个问题，正则表达式中\Q 的用途是什么？
看起来它的分布也相当公正：i.imgur.com/EPLexRr.png。
如果您将 $mark 设置为类似“|”的内容。是的，这应该是公正的（但如果您要占用超过一半的字符串，甚至拒绝尝试）
啊，I see。谢谢！

【解决方案2】：

这是 Python 中的递归方法。在每个步骤中，从字符串的剩余分区中随机选择，然后从所选分区中随机选择长度为 k 的子字符串。将此分区替换为所选子字符串上的分区拆分。过滤掉长度小于 k 的分区，然后重复。当有 m 个子字符串，或者没有剩余长度大于或等于 k 的分区时，返回子字符串列表。

import random

def f(l, k, m, result=[]):
    if len(result) == m or len(l) == 0:
        return result
    else:
        if isinstance(l, str):
            l = [l]
        part_num = random.randint(0, len(l)-1)
        partition = l[part_num]
        start = random.randint(0, len(partition)-k)
        result.append(partition[start:start+k])
        l.remove(partition)
        l.extend([partition[:start], partition[start+k:]])
        return f([part for part in l if len(part) >= k], k, m, result)

【讨论】：