Question

我正在寻找能够在字符串中找到最重复序列的算法（可能在Python中实现）。在REPETITIVE中，我的意思是在不中断的情况下反复重复的任何字符组合（串联重复）。

我正在寻找的算法与＆＃34相同;找到最常用的词＆＃34; 一个。实际上，重复块不一定是字符串中最常见的单词（子串）。

例如：

s = 'asdfewfUBAUBAUBAUBAUBAasdkBAjnfBAenBAcs'
> f(s)
'UBAUBAUBAUBAUBA' #the "most common word" algo would return 'BA'

不幸的是，我不知道如何解决这个问题。非常欢迎任何帮助。

更新

一个额外的例子来澄清我希望返回具有最多重复次数的序列，无论其基本构建块是什么。

g = 'some noisy spacer'
s = g + 'AB'*5 + g + '_ABCDEF'*2 + g + 'AB'*3
> f(s)
'ABABABABAB' #the one with the most repetitions, not the max len

来自@rici的例子：

s = 'aaabcabc'
> f(s)
'abcabc'

s = 'ababcababc'
> f(s)
'ababcababc' #'abab' would also be a solution here
             # since it is repeated 2 times in a row as 'ababcababc'.
             # The proper algorithm would return both solutions.

Answer 1

结合re.findall()（使用特定的正则表达式模式）和max()函数：

import re

#  extended sample string
s = 'asdfewfUBAUBAUBAUBAUBAasdkjnfencsADADADAD sometext'

def find_longest_rep(s):
    result = max(re.findall(r'((\w+?)\2+)', s), key=lambda t: len(t[0]))
    return result[0]

print(find_longest_rep(s))

输出：

UBAUBAUBAUBAUBA

关键模式：

((\w+?)\2+)：
- (....) - 最外面捕获的组，即第一个捕获组
- (\w+?) - 包含在第二个捕获组中的任何非空白字符序列; +? - 量词，在一次和无限次之间匹配，尽可能少，根据需要进行扩展
- \2+ - 匹配与第二个捕获组最近匹配的文本相同的文本

Answer 2

以下是基于((\w+?)\2+)正则表达式的解决方案，但还有其他改进：

import re
from itertools import chain


def repetitive(sequence, rep_min_len=1):
    """Find the most repetitive sequence in a string.

    :param str sequence: string for search
    :param int rep_min_len: minimal length of repetitive substring
    :return the most repetitive substring or None
    """
    greedy, non_greedy = re.compile(r'((\w+)\2+)'), re.compile(r'((\w+?)\2+)')

    all_rep_seach = lambda regex: \
        (regex.search(sequence[shift:]) for shift in range(len(sequence)))

    searched = list(
        res.groups()
        for res in chain(all_rep_seach(greedy), all_rep_seach(non_greedy))
        if res)

    if not sequence:
        return None

    cmp_key = lambda res: res[0].count(res[1]) if len(res[1]) >= rep_min_len else 0
    return max(searched, key=cmp_key)[0]

你可以这样测试：

def check(seq, expected, rep_min_len=1):
    result = repetitive(seq, rep_min_len)
    print('%s => %s' % (seq, result))
    assert result == expected, expected


check('asdfewfUBAUBAUBAUBAUBAasdkBAjnfBAenBAcs', 'UBAUBAUBAUBAUBA')
check('some noisy spacerABABABABABsome noisy spacer_ABCDEF_ABCDEFsome noisy spacerABABAB', 'ABABABABAB')
check('aaabcabc', 'aaa')
check('aaabcabc', 'abcabc', rep_min_len=2)
check('ababcababc', 'ababcababc')
check('ababcababcababc', 'ababcababcababc')

主要特点：

使用了贪婪的((\w+)\2+)和非贪婪的((\w+)\2+?)正则表达式;
在所有子串中搜索重复子字符串，从头开始移位（例如'string'=＆gt; ['string'，'tring'，'ring'，'ing'，'ng'，'g']）;
选择是基于不在子序列长度上的重复次数（例如'ABABABAB_ABCDEF_ABCDEF'结果将是'ABABABAB'，而不是'_ABCDEF_ABCDEF'）;
重复序列的最小长度是重要的（参见'aaabcabc'检查）。

Answer 3

您要搜索的是一种查找最大＆＃39;的算法。字符串中的原始串联重复。这是一篇描述线性时间算法的论文，用于查找字符串中的所有串联重复，并通过扩展所有原始串联重复。 Gusfield. Linear Time Algorithms for Finding and Representing all Tandem Repeats in a String

Answer 4

这是我写的一个强力算法。也许它会有用：

def find_most_repetitive_substring(string):
max_counter = 1
position, substring_length, times = 0, 0, 0
for i in range(len(string)):
    for j in range(len(string) - i):
        counter = 1
        if j == 0:
            continue
        while True:
            if string[i + counter * j: i + (counter + 1) * j] != string[i: i + j] or i + (counter + 1) * j > len(string):
                if counter > max_counter:
                    max_counter = counter
                    position, substring_length, times = i, j, counter
                break
            else:
                counter += 1
return string[position: position + substring_length * times]

查找字符串中最重复（不是最常见）序列的算法（也称为串联重复）

4 个答案: