字符串查找具有最低频率字符

Question

我有3个文本文件。一个带有一组要搜索的文本      （例如ABCDEAABBCCDDAABC）
一个包含许多要在文本中搜索的模式
（例如AB，EA，CC）
最后一个包含每个字符的频率
（例如：
A 4
B 4
C 4
D 3
E 1
）
我正在尝试编写一个算法来查找每个模式中出现频率最低的字符，并在字符串中搜索这些事件，然后检查周围的字母以查看字符串是否匹配。目前，我分别在自己的向量中有字符和频率。 （其中每个向量的i = 0将分别为A 4。

有更好的方法吗？也许更快的数据结构？此外，一旦找到最不常见的字母，有哪些有效的方法可以检查模式字符串与文本字符串的一部分？

Answer 1

您可以运行Aho-Corasick算法。它的复杂性（一旦预处理 - 其复杂性与文本无关 - 完成），是Θ（n + p），其中

• n 是文本的长度

• p 是找到的匹配总数

这基本上是最佳的。试图跳过看似频繁的字母是没有意义的：

1. 如果字母不是匹配项的一部分，则算法需要单位时间。

2. 如果该字母是匹配项的一部分，则该匹配包括所有字母，不论其在文本中的频率如何。

Answer 2

您可以运行一个迭代循环来保持实例计数，并检查字符是否出现超过一定百分比的次数，基于搜索的总字符数和字符串的总长度。即如果你有100个字符和5种可能性，任何出现超过百分之二十的字符都可以打折，通过传递与该字符匹配的任何值来提高效率。