Question

我有一个函数返回两个字符串中最长的公共子字符串：

longest.substring <-function(a,b)
{
  A <- strsplit(a, "")[[1]]
  B <- strsplit(b, "")[[1]]

  L <- matrix(0, length(A), length(B))
  ones <- which(outer(A, B, "=="), arr.ind = TRUE)
  ones <- ones[order(ones[, 1]), ]
  if(length(ones)!=0){
    for(i in 1:nrow(ones)) {
      v <- ones[i, , drop = FALSE]
      L[v] <- ifelse(any(v == 1), 1, L[v - 1] + 1)
    }
    paste0(A[(-max(L) + 1):0 + which(L == max(L), arr.ind = TRUE)[1]], collapse = "")
  }
}

longest.substring("hello world","hella old") #returns "hell"
longest.substring("abc","def") #returns nothing

最初在Identify a common pattern中找到，我添加了if子句来处理根本没有子串匹配的字符串。它的工作正常，如代码中的示例所示，但我将问题应用于我的数据集时遇到了问题。对于它的每一行，我想在两列的值上使用此函数，并将结果输入第三列。我试了几次，例如：

table1$LCS <- mapply(longest.substring, table1$col1, table1$col2)
table1$LCS <- apply(table1[,c("col1","col2")], 1, function(x)
                    longest.substring(x["col1"],x["col2"]))

两种方式（我使用mapply在这些列之间运行adist并且工作正常）返回错误：

Error in 1:nrow(ones) : argument of length 0

从我在两个字符串上运行它的测试，这正是我添加if之前发生的事情，所以函数'省略'这个子句并尝试运行导致错误的for。 / p>

另外我想注意我的数据集非常大（几千行），所以我认为for循环需要很长时间才能完成。

编辑也使for循环，但它返回与上面相同的错误。

for (i in 1:nrow(Adresy_baza_match)){
  Adresy_baza_match[i,"LCS"] <- longest.substring(Adresy_baza_match[i,4], Adresy_baza_match[i,5])
}

编辑我设法隔离哪一行导致错误：

            a                          b
921 BRUSKIEGO                  PLATYNOWA
922 BRUSKIEGO BPAHIERONIMAROZRAŻEWSKIEGO
923 BRUSKIEGO     BPAKONSTANTYNADOMINIKA

第一行似乎导致它：

x <-longest.substring("BRUSKIEGO", "PLATYNOWA")

在这种情况下（逐行length(ones)运行功能代码为2，而nrow(ones)返回NULL，每次只有一个匹配时，我会发生其他尝试substring，它由一个char组成。

Answer 1

有几点：

问题代码中的这一行：

ones <- ones[order(ones[, 1]), ]

应该是：

ones <- ones[order(ones[, 1]), , drop = FALSE ]

定义longest.substring.vec，类似于longest.substring，但它接受 vector a和b，而不仅仅是标量< / em>的。它还强制其对字符的参数，并用NA替换NULL，以确保结果是字符向量而不是列表。现在试试这个：

longest.substring.vec <- function(a, b, default = NA_character_, USE.NAMES = FALSE) { a <- as.character(a) b <- as.character(b) m <- mapply(longest.substring, a, b, USE.NAMES = USE.NAMES) m[lengths(m) == 0] <- default unlist(m) }

测试这两项变化：

tab <- data.frame(a = c("hello, world", "abc"), b = c("hella old", "def")) transform(tab, c = longest.substring.vec(a, b)) ## a b c ## 1 hello, world hella old hell ## 2 abc def <NA>

<强>更新

添加了第1点。重新排列的演示文稿。

Answer 2

GrpString 包提供了一个更简单、更强大的解决方案。

s <- c("hello world","hello old", "hello")

GrpString::CommonPatt(s) %>% 
filter(Freq_str == length(s)) %>% filter(Length == max(Length)) %>% 
select(Pattern) %>% unlist(use.names = F)

检查 GrpString::CommonPatt(s) 的输出以获取有关常见模式的更多信息

在数据帧的每一行上应用两列函数

2 个答案: