R：字符串向量的平均成对差异答案

【问题标题】：R: mean pairwise differences in string vectorsR：字符串向量的平均成对差异
【发布时间】：2021-06-24 06:30:49
【问题描述】：

我有一个字符串向量（每个 50 个元素）的大列表（10,000 项）。这是来自向量的一个小样本：

c("0101000000000000000000000000000000000000000000001000000000000000000000000000000100000000000100000000000000100000000000000000110000000000000000000000", 
"0000000000000000000000000000000010000000000000000000000000110000000000000000000000000001000000000000001000000010000000000000000000000000000000000001", 
"0000000000000000000100010000000010000000000000010000000000100000000000000100000001000001100000000000001000001000000100000000000000000000000000000100")

在每个向量中，我想估计所有成对差异（即每对中不同字符的数量），然后估计平均值。鉴于列表的规模很大，这样做的成本效益如何？谢谢！！

编辑-更新

我正在添加一个具有较短向量和预期输出的示例（与我在下面的评论相同）：

a=c("0010100101",
    "1001011101",
    "1111111010")

预期结果（成对差异的平均值）： 6.666667

非常感谢@Roland 提供基于 Levenshtein 距离的解决方案！

【问题讨论】：

你能给出这个例子的预期输出吗？

标签： r string

【解决方案1】：

你的问题不是很清楚，但你似乎想要一个 Levenshtein 距离：

x = c("0010100101",
    "1001011101",
    "1111111010")

#switch off deletions and insertions:
d <- adist(x, costs = list(ins=Inf, del=Inf, sub=1)) 
#     [,1] [,2] [,3]
#[1,]    0    6    8
#[2,]    6    0    6
#[3,]    8    6    0

mean(d[upper.tri(d)])
#[1] 6.666667

【讨论】：

非常感谢您的回复！我不确定我是否理解“adist”。在我的示例中，对于 a=c("0010100101", "1001011101", "1111111010") ，我认为它没有给出预期的结果（即在我的解决方案中）
@tzema 已修复。请将预期结果添加到问题中。

【解决方案2】：

好吧，我意识到小数据样本并没有那么短，所以我用更短的字符串重复这个例子：

a=c("0010100101",
    "1001011101",
    "1111111010")

我想出了这个解决方案：


library(stringdist)

# matrix with no. of pairwise different characters
xx=(1-outer(a,a,"stringsim",method="hamming"))*nchar(a[1])

> xx
     [,1] [,2] [,3]
[1,]    0    6    8
[2,]    6    0    6
[3,]    8    6    0


# mean no. of pairwise differences
xx1=mean(xx[lower.tri(xx,diag = FALSE)])

> xx1
[1] 6.666667

结果很好，但是我不确定这是否是一个理想的解决方案.. （如果“汉明”方法在任何情况下都是正确的）。

【讨论】：