我有很多字符串序列。从每个序列我必须找到重复至少一些最小阈值时间(th)的所有这样的子串。
例如,如果其中一个字符串序列是" aboaboaboaboaboabcabcabcabcab"。如果最小重复阈值(th = 4)则特定序列的子串是" abo"," boa"," oab"," abc&#34 ;," BCA""驾驶室&#34 ;.
我用蛮力解决了它。但是如果我们在至少100000个这样的序列上应用该方法,那么在R中需要几分钟。我想在几秒钟内找到100000序列中的所有这样的子字符串。
我想在R中实现它。
答案 0 :(得分:0)
您可以使用combn
,但据我所知,它并不尊重订单,因此提供的组合远远多于订单所遵循的组合,例如,
s <- "aboaboaboaboaboabcabcabcabcab"
combos <- combn(strsplit(s, "")[[1]], 3, paste0, collapse="")
combos[1:5]
[1] "abo" "aba" "abb" "abo" "aba"
答案 1 :(得分:0)
这似乎有用(假设你想要3个字母的子串)。
str <- "aboaboaboaboaboabcabcabcabcab"
th <- 4
sub <- sapply(1:(nchar(str)-2),function(i)substr(str,i,i+2))
sub[which(table(sub)>=th)]
# [1] "abo" "boa" "oab" "abo" "boa" "oab"
使用长度为100,000的字符串进行基准测试。
get.repeats <- function(str,n,k){
sub <- sapply(1:(nchar(str)-n+1),function(i)substr(str,i,i+n-1))
sub[which(table(sub)>=k)]
}
# benchmark
set.seed(1)
str <- paste(sample(c("A","C","G","T"),1e5,replace=TRUE),collapse="")
library(microbenchmark)
microbenchmark(get.repeats(str,3,4),times=10)
# Unit: seconds
# expr min lq median uq max neval
# get.repeats(str, 3, 4) 1.835401 1.86695 1.886206 1.917245 2.035076 10
所以这会在大约2秒内完成。