Question

我有两个字符变量（对象名称），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"

作为输入的这些向量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，在以下某个地方（按照优先顺序）：

基地R
推荐套餐
CRAN上提供的套餐

假设重复的答案不符合这些要求。

Answer 1

如果您不介意使用bioconductor包，那么，您可以使用Rlibstree。安装非常简单。

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

然后，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"

旁注：我不确定Rlibstree是使用libstree 0.42还是libstree 0.43。两个库都存在于源包中。我记得在使用libstree 0.42的 perl 中的大型数组中遇到内存泄漏（因而出现错误）。只是一个抬头。

Answer 2

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 = ""))

Answer 3

因为我有太多我不想做的事情，所以我这样做了：

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

有人关心对匹配字符串的实际分布进行统计估算吗？（lcstring只是一个强力的家庭滚动函数;输出包含所有最大字符串，这就是为什么我只看第一个列表元素）

查找两个字符变量之间的公共子串

3 个答案: