Question

我有一个字符串列表的可能组列表。每个字符串由几个单词组成，这些单词是字符串元素。我想根据这些元素对字符串进行分组。

每个组都基于一个常用词：组中的所有字符串都必须包含该词 - 尽管我不要求包含该词的所有字符串都在同一个组中。带有 N 字词的字符串可以位于任何 N 个不同的组中。每个字符串可能只在一个组中。每个组必须至少有两个字符串。

目标：形成组以最大化组中字符串的数量（最小化“孤立”字符串）。

例如，如果我有以下字符串列表：

In [1011]: len(labels)
Out[1011]: 12000

In [1012]: %timeit pd.get_dummies(y).astype(bool)
1000 loops, best of 3: 875 µs per loop

In [1013]: %timeit pd.DataFrame({x: [x==l for l in labels] for x in set(labels)})
100 loops, best of 3: 4.97 ms per loop

In [1014]: %timeit pd.DataFrame({x : (y == x) for x in y.unique()})
1000 loops, best of 3: 1.32 ms per loop

我会将每个字符串的所有可能单词作为潜在的组。我现在想要对这些字符串进行分组，以便全部或尽可能多地进入一个组。

我尝试过天真的方法，首先使用包含最多字符串的组，在此示例中为cycle cost pump cost cycle analysis cost example，但这会使cost没有组。

我在这个例子中寻找的结果是：

cycle analysis

是否存在针对此类问题的算法？关于采取的方法的任何指示都会有所帮助。

Answer 1

看起来@ m69有很好的领先优势。您的问题有一些修改：

删除所有尺寸为1的套装;
当一组（暂时）添加到解决方案中时，所有元素必须从所有剩余集合中删除该集合
- ...并删除少于两个元素的任何集合。

不幸的是，这是NP-hard， best 。如果应用程序的输入不是非常大，我会使用蛮力启发式和自由回溯。

初始化：

可行的集合是至少包含2个元素的集合。
处理您的清单。
- 将所有可行的集合放入 S 列表中。
- 将所有元素放入Universe， U 。

过程：

从 S 中选择一组 P ;将其添加到解决方案列表中。
从 S 中的每个剩余设置中删除 P 的所有元素。
从 S 中删除所有不可行的集。
如果 S 为空
- 然后如果 U 的所有元素都存在于 S 中，
  - 然后停止并报告解决方案。
  - 否则返回上一个通话级别
- 其他[ S 不为空] 使用新的 S
如果递归报告成功，
- 然后返回上一个通话级别。
- 否则请返回第1步，然后从 S

通过明智地订购 S 中的集合，您可以获得一些优势。我推荐一种贪心算法，其值根据 S 集合中元素的合意性进行测量。例如，出现在中只有一个集合的元素会将该集合推到列表的顶部。

这会让你开始吗？

字符串分组

1 个答案: