Question

目标：我想找到一种方法来对字符向量进行分组，如：

x <- c("a800k blue 5", "a800j", "bb-blah5", "a800 7", "bb-blah2", "bb-blah3")

分组与＃34;领先比赛＆＃34;提供最小元素，以便在grep搜索中调用它们。所以上面玩具示例的解决方案是：

solution <- c("a800", "bb-blah")

因为grep使用模式＆＃34; a800＆＃34;搜索x将产生以＆＃34; a800开头的所有3个元素。＆＃34;

注意：我可以对将包含在向量中的字符串做出很少的假设。只有几个和很长的字符串（可能是10个或更多）之间会有不同的长度，包含数字，字母，空格和一些使生活变得非常困难的特殊字符的组合。

所以我喜欢一个像intersect这样的函数，可能会在每个单独的字符串上运行。有什么想法吗？

Answer 1

可能有更优雅（高效）的方式，但这适用于您的示例字符串。对字符串的成对组合（Biobase::lcPrefixC）计算最长公共前缀（combn *）。

source("https://bioconductor.org/biocLite.R")
biocLite("Biobase")

unique(combn(seq_along(x), 2, FUN = function(cm) lcPrefixC(x[cm])))
# [1] "a800"    ""        "bb-blah"

目前还不清楚您是否在前缀长度和组大小之间进行交易。例如：

x <- c("1234", "1235", "1245", "1246")

您是希望一个较大的组具有较短的前缀（"12"），还是两个较小的组具有较长的前缀（"123"和"124"）？

*“lcPrefixC是C中更快的实现。[但请注意]它只处理ascii字符”。另请参阅lcPrefix。

通过彼此匹配的前n个字母对字符向量的元素进行分组

1 个答案: