【问题标题】：R: find largest common substring starting at the beginningR：从开头找到最大的公共子串
【发布时间】：2014-12-04 18:32:39
【问题描述】：

我有 2 个向量：

word1 <- "bestelling"   
word2 <- "bestelbon"

现在我想找到从开头开始的最大公共子字符串，所以这里就是“bestel”。

但是以“bestelling”和“stel”等另外两个词为例，那么我想返回""。

【问题讨论】：

对所有这些答案进行基准测试的人+1。
@MatthewPlourde 我无法抗拒挑战 :-) ...
@MatthewPlourde 查看初步结果。
这些看起来不太像向量...您的意思是字符串还是可以澄清这一点？

标签： r substring

【解决方案1】：

fun <- function(words) {
  #extract substrings from length 1 to length of shortest word
  subs <- sapply(seq_len(min(nchar(words))), 
                 function(x, words) substring(words, 1, x), 
                 words=words)
  #max length for which substrings are equal
  neqal <- max(cumsum(apply(subs, 2, function(x) length(unique(x)) == 1L)))
  #return substring
  substring(words[1], 1, neqal)
}

words1 <- c("bestelling", "bestelbon")
fun(words1)
#[1] "bestel"

words2 <- c("bestelling", "stel")
fun(words2)
#[1] ""

【讨论】：

这很好——我一直在寻找一个适用于单词列表的函数，而不仅仅是一对。

【解决方案2】：

这似乎有效

longestprefix<-function(a,b) {
    n <- pmin(nchar(a), nchar(b))
    mapply(function(x, y, n) {
        rr<-rle(x[1:n]==y[1:n])
        if(rr$values[1]) {
            paste(x[1:rr$lengths[1]], collapse="")
        } else {
            ""
        }
    }, strsplit(a, ""), strsplit(b,""), n)
}



longestprefix("bestelling", "bestelbon")
# [1] "bestel"
longestprefix("bestelling", "stel")
# [1] ""

【讨论】：

【解决方案3】：

这适用于任意的单词向量

words <- c('bestelling', 'bestelbon')
words.split <- strsplit(words, '')
words.split <- lapply(words.split, `length<-`, max(nchar(words)))
words.mat <- do.call(rbind, words.split)
common.substr.length <- which.max(apply(words.mat, 2, function(col) !length(unique(col)) == 1)) - 1
substr(words[1], 1, common.substr.length)
# [1] "bestel"

【讨论】：

【解决方案4】：

有点乱，但这是我想出的：

largest_subset <- Vectorize(function(word1,word2) {
    substr(word1, 1, sum(substring(word1, 1, 1:nchar(word1))==substring(word2, 1, 1:nchar(word2))))
})

如果单词长度不同，它会产生警告消息，但不要害怕。它检查从每个单词的第一个字符到每个位置的每个子字符串是否在两个单词之间产生匹配。然后，您可以计算有多少值是真实的，并捕获到该字符的子字符串。我对它进行了矢量化，以便您可以将其应用于词向量。

> word1 <- c("tester","doesitwork","yupyppp","blanks")
> word2 <- c("testover","doesit","yupsuredoes","")
> largest_subset(word1,word2)
    tester doesitwork    yupyppp     blanks 
    "test"   "doesit"      "yup"         ""

【讨论】：

【解决方案5】：

这是另一个似乎有效的功能。

foo <- function(word1, word2) {
    s1 <- substring(word1, 1, 1:nchar(word1))
    s2 <- substring(word2, 1, 1:nchar(word2))
    if(length(w <- which(s1 %in% s2))) s2[max(w)] else character(1)
}

foo("bestelling", "bestelbon")
# [1] "bestel"
foo("bestelling", "stel")
# [1] ""
foo("bestelbon", "bestieboop")
# [1] "best"
foo("stel", "steal")
# [1] "ste"

【讨论】：

Richard 感谢优雅的解决方案。如何扩展它，以便我可以在两个字符串长度内的任何位置找到公共子字符串（而不仅仅是开头）

【解决方案6】：

为什么不添加另一个！并破解它，所以答案与其他人不同！

largestStartSubstr<-function(word1, word2){ 
    word1vec<-unlist(strsplit(word1, "", fixed=TRUE))
    word2vec<-unlist(strsplit(word2, "", fixed=TRUE))
    indexes<-intersect(1:nchar(word1), 1:nchar(word2))
    bools<-word1vec[indexes]==word2vec[indexes]
    if(bools[1]==FALSE){
        ""
    }else{
        lastChar<-match(1,c(0,diff(cumsum(!bools))))-1
        if(is.na(lastChar)){
            lastChar<-indexes[length(indexes)]
        }
        substr(word1, 1,lastChar)
    }
}

word1 <- "bestselling"
word2<- "bestsel"

largestStartSubstr(word1, word2)
#[1] "bestsel"

word1 <- "bestselling"
word2<- "sel"

largestStartSubstr(word1, word2)
#[1] ""

【讨论】：

【解决方案7】：

尽管我通常避免在 R 中使用 for 循环 - 鉴于您从头开始并继续直到找到解决方案，这似乎是一种简单的方法。

它比我认为的其他一些示例更直观

lcsB <- function(string1, string2) {
    x <- ''
    for (i in 1:nchar(string1)){
        if (substr(string1[1],1,i) == substr(string2[1],1,i)) {
            x <- substr(string1[1],1,i)
        }
        else
            return(x)
        }
    return(x)
}

lcsB("bestelling", "bestelbon")
lcsB("bestelling", "stel")

【讨论】：

【解决方案8】：

我意识到我来晚了，但确定成对对齐是生物学研究中的一个基本问题，并且已经有一个包（或包系列）可以解决这个问题。可以使用名为 Biostrings 的 Bioconductor 包（如果您安装了所有默认依赖项，它至少很大，因此在安装过程中需要耐心等待）。它返回 S4 对象，因此需要不同的提取函数。这可能是一个大锤来提取坚果，但这里是给出所需结果的代码：

install.packages("Biostrings", repo="http://www.bioconductor.org/packages/2.14/bioc/", dependencies=TRUE)
library(Biostrings)
psa1 <- pairwiseAlignment(pattern = c(word1) ,word2,type="local")
psa1@pattern
#[1] bestel

但是，它没有设置为默认限制匹配以在两个字符串的第一个字符处对齐。我们可以希望@MartinMorgan 能够解决我的错误。

【讨论】：

【解决方案9】：

Matthew Plourde 打来电话，Benchmarker 先生回应！
抱歉，BondedDust，但我无法从工作场所的墙壁后面接触到生物导体。

library(microbenchmark)
wfoo1 <-'bestelling'
wfoo2<-'bestelbon'


microbenchmark(stu(wfoo1,wfoo2),nathan(wfoo1,wfoo2),plourde(),scriven(wfoo1,wfoo2),dmt(wfoo1,wfoo2),mrflick(wfoo1,wfoo2),roland(c(wfoo1,wfoo2)))
Unit: microseconds
                    expr     min       lq   median       uq
       stu(wfoo1, wfoo2) 171.905 183.0230 187.5135 191.1490
    nathan(wfoo1, wfoo2)  35.921  42.3360  43.6180  46.1840
               plourde() 551.208 581.3545 591.6175 602.5220
   scriven(wfoo1, wfoo2)  16.678  21.1680  22.6645  23.7335
       dmt(wfoo1, wfoo2)  79.966  86.1665  88.7325  91.5125
   mrflick(wfoo1, wfoo2) 100.492 108.4030 111.1830 113.9625
 roland(c(wfoo1, wfoo2)) 215.950 226.8545 231.7725 237.5455
     max neval
 435.321   100
  59.012   100
 730.809   100
  85.525   100
 286.081   100
 466.537   100
 291.213   100

我认为我有责任修改这些函数，以便它们根据一个包含 1000 个参考词（而不仅仅是一对）的向量来测量输入词，以了解速度测试的结果。也许以后。

稍后... :-)。我没有做循环，但我用长词试了一下：

编辑：正如弗洛德尔指出的那样，这是一个错字，导致测试了一个相当长的向量非常短的单词！

wfoo1 <-rep(letters,100)
wfoo2<-c(rep(letters,99),'foo')
Unit: microseconds
                    expr        min          lq      median
       stu(wfoo1, wfoo2)  31215.243  32718.5535  35270.6110
    nathan(wfoo1, wfoo2)    202.266    216.3780    227.2825
               plourde()    569.168    617.0615    661.5340
   scriven(wfoo1, wfoo2)    794.953    828.3070    847.5505
       dmt(wfoo1, wfoo2)   1081.033   1156.9365   1205.8990
   mrflick(wfoo1, wfoo2) 126058.316 131283.4485 241018.5150
 roland(c(wfoo1, wfoo2))    946.759   1004.4885   1045.3260
          uq        max neval
 146451.2595 167000.713   100
    236.0485    356.211   100
    694.6750    795.381   100
    868.9310   1021.594   100
   1307.6740 116075.442   100
 246739.6910 991550.586   100
   1082.1020   1243.103   100

抱歉，理查德，但看起来你需要把鸡肉晚餐送给内森。

EDIT2：确保输入是单个单词，并将弗洛德尔的代码添加到堆中。

编辑了“plourde”函数以接受输入并重新运行长字案例

wfoo1 <-paste(rep(letters,100),collapse='')
wfoo2<-paste(c(rep(letters,99),'foo'),collapse='')

看起来 3 个人的代码执行相似，所以就像在环法自行车赛中一样，我将第一名授予 mrflick、dmt 和 flodel。

 microbenchmark(stu(wfoo1,wfoo2),nathan(wfoo1,wfoo2),plourde(c(wfoo1,wfoo2)),scriven(wfoo1,wfoo2),dmt(wfoo1,wfoo2),mrflick(wfoo1,wfoo2),roland(c(wfoo1,wfoo2)),flodel(wfoo1,wfoo2) )
Unit: microseconds
                     expr        min          lq     median
        stu(wfoo1, wfoo2)  17786.578  18243.2795  18420.317
     nathan(wfoo1, wfoo2)  36651.195  37703.3625  38095.493
 plourde(c(wfoo1, wfoo2)) 183616.029 187673.5350 190706.457
    scriven(wfoo1, wfoo2)  17546.253  17994.1890  18244.990
        dmt(wfoo1, wfoo2)    737.651    781.0550    821.466
    mrflick(wfoo1, wfoo2)    870.643    951.4630    976.479
  roland(c(wfoo1, wfoo2))  99540.947 102644.2115 103654.258
     flodel(wfoo1, wfoo2)    666.239    705.5795    717.553
         uq         max neval
  18602.270   20835.107   100
  38450.848  155422.375   100
 303856.952 1079715.032   100
  18404.281   18992.905   100
    853.751    1719.047   100
   1012.186  116669.839   100
 105423.123  226522.073   100
    732.947     822.748   100

【讨论】：

然而，这些函数是否适用于长度 > 1 的向量还不是很清楚。如果是这样，两个参数之一的长度应该 > 1，还是两者兼而有之？如果不是，我们应该用两个很长的词进行测试吗？在 OP 没有提供任何细节的情况下，我认为 Carl 的测试是我们能做的最好的。
@DavidArenburg 两个 loooooong 词怎么样？查看我的编辑:-)
@flodel，我将plourde 重写为带参数的函数，但愚蠢地没有输入它们！重大过失。现已修复，我当然希望

【解决方案10】：

flodel <- function(word1, word2) {
   # the length of the shorter word
   n <- min(nchar(word1), nchar(word2))
   # two vectors of characters of the same length n
   c1 <- strsplit(word1, "", fixed = TRUE)[[1]][1:n]
   c2 <- strsplit(word2, "", fixed = TRUE)[[1]][1:n]
   # a vector that is TRUE as long as the characters match
   m <- as.logical(cumprod(c1 == c2))
   # the answer
   paste(c1[m], collapse = "")
}

【讨论】：

几乎所有这些都可以通过使用charToRaw/rawToChar 而不是strsplit/paste 显着加快。特别是这个，已经是最快的了，在我的测试中得到了近 5 倍的加速。

【解决方案11】：

一点正则表达式可以做到这一点：

sub('^([^|]*)[^|]*(?:\\|\\1[^|]*)$', '\\1', paste0(word1, '|', word2))
#[1] "bestel"

我使用| 作为分隔符 - 选择一个对您的字符串有意义的分隔符。

【讨论】：