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）

Posted 2021-04-01

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）。对于REPETITIVE，我指的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“找到最常见的单词”不同。实际上，重复块不需要是字符串中最常见的单词（substring）。

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。

---

UPDATE

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

@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.

答案

以下是基于((w+?)2+)正则表达式的解决方案，但有其他改进：

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]

您可以像这样测试它：

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：

1. 使用贪婪的((w+)2+)和非贪婪的((w+)2+?)正则表达式;
2. 在所有子串中搜索重复的子串，从头开始移位（例如'string'=> ['string'，'tring'，'ring'，'ing'，'ng'，'g']）;
3. 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'）;
4. 重复序列的最小长度是重要的（参见'aaabcabc'检查）。

另一答案

结合使用qazxsw poi（使用特定的正则表达式模式）和qazxsw poi函数：

re.findall()

输出：

max()

---

关键模式：

• 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)) ： UBAUBAUBAUBAUBA - 最外面捕获的组，是第一个被捕获的组 ((w+?)2+) - 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，根据需要扩展 (w+?) - 匹配与第二个捕获组最近匹配的相同文本

另一答案

您正在搜索的是一种在字符串中查找“最大”原始串联重复的算法。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。 +?

另一答案

这是我写的一个强力算法。也许它会有用：

2+