两个以上字符串的最长公共子串
- 2025-03-20 08:48:00
- admin 原创
- 41
问题描述：
我正在寻找一个 Python 库，用于从一组字符串中查找最长的公共子字符串。有两种方法可以解决这个问题：
使用后缀树
使用动态规划。
实现的方法并不重要。重要的是它可以用于一组字符串（而不仅仅是两个字符串）。
解决方案 1：
这些配对函数将在任意字符串数组中找到最长的公共字符串：
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and is_substr(data[0][i:i+j], data):
substr = data[0][i:i+j]
return substr
def is_substr(find, data):
if len(data) < 1 and len(find) < 1:
return False
for i in range(len(data)):
if find not in data[i]:
return False
return True
print long_substr(['Oh, hello, my friend.',
'I prefer Jelly Belly beans.',
'When hell freezes over!'])
毫无疑问，该算法还有待改进，而且我对 Python 的接触并不多，所以从语法上来说也许它可以更高效，但它应该可以完成工作。
编辑：内联第二个 is_substr 函数，如 JF Sebastian 所演示的。用法保持不变。注意：算法没有变化。
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and all(data[0][i:i+j] in x for x in data):
substr = data[0][i:i+j]
return substr
希望这能有所帮助，
杰森。
解决方案 2：
这可以做得更短：
def long_substr(data):
substrs = lambda x: {x[i:i+j] for i in range(len(x)) for j in range(len(x) - i + 1)}
s = substrs(data[0])
for val in data[1:]:
s.intersection_update(substrs(val))
return max(s, key=len)
集合（可能）是作为哈希映射实现的，这使其效率有点低。如果你 (1) 将集合数据类型实现为 trie，并且 (2) 只将后缀存储在 trie 中，然后强制每个节点成为端点（这相当于添加所有子字符串），那么从理论上讲，我猜这个宝贝的内存效率很高，尤其是因为 trie 的交集非常简单。
然而，这是短暂的，过早的优化是浪费大量时间的根源。
解决方案 3：
def common_prefix(strings):
""" Find the longest string that is a prefix of all the strings.
"""
if not strings:
return ''
prefix = strings[0]
for s in strings:
if len(s) < len(prefix):
prefix = prefix[:len(s)]
if not prefix:
return ''
for i in range(len(prefix)):
if prefix[i] != s[i]:
prefix = prefix[:i]
break
return prefix
来自http://bitbucket.org/ned/cog/src/tip/cogapp/whiteutils.py
解决方案 4：
我更喜欢这个is_substr，因为我发现它更具可读性和直观性：
def is_substr(find, data):
"""
inputs a substring to find, returns True only
if found for each data in data list
"""
if len(find) < 1 or len(data) < 1:
return False # expected input DNE
is_found = True # and-ing to False anywhere in data will return False
for i in data:
print "Looking for substring %s in %s..." % (find, i)
is_found = is_found and find in i
return is_found
解决方案 5：
# this does not increase asymptotical complexity
# but can still waste more time than it saves. TODO: profile
def shortest_of(strings):
return min(strings, key=len)
def long_substr(strings):
substr = ""
if not strings:
return substr
reference = shortest_of(strings) #strings[0]
length = len(reference)
#find a suitable slice i:j
for i in xrange(length):
#only consider strings long at least len(substr) + 1
for j in xrange(i + len(substr) + 1, length + 1):
candidate = reference[i:j] # ↓ is the slice recalculated every time?
if all(candidate in text for text in strings):
substr = candidate
return substr
免责声明这对 jtjacques 的答案几乎没有什么帮助。但是，希望它更易读、更快速，而且shortest_of它不适合放在评论中，所以我把它贴在答案中。老实说，我对 并不满意。
解决方案 6：
如果有人正在寻找一个可以采用任意对象序列列表的通用版本：
def get_longest_common_subseq(data):
substr = []
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(data[0])-i+1):
if j > len(substr) and is_subseq_of_any(data[0][i:i+j], data):
substr = data[0][i:i+j]
return substr
def is_subseq_of_any(find, data):
if len(data) < 1 and len(find) < 1:
return False
for i in range(len(data)):
if not is_subseq(find, data[i]):
return False
return True
# Will also return True if possible_subseq == seq.
def is_subseq(possible_subseq, seq):
if len(possible_subseq) > len(seq):
return False
def get_length_n_slices(n):
for i in xrange(len(seq) + 1 - n):
yield seq[i:i+n]
for slyce in get_length_n_slices(len(possible_subseq)):
if slyce == possible_subseq:
return True
return False
print get_longest_common_subseq([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]])
print get_longest_common_subseq(['Oh, hello, my friend.',
'I prefer Jelly Belly beans.',
'When hell freezes over!'])
解决方案 7：
在我的计算机上添加一个“中断”可以显著加快 jtjacques 的回答速度（对于 16K 文件来说速度提高了 1000 倍左右）：
def long_substr(data):
substr = ''
if len(data) > 1 and len(data[0]) > 0:
for i in range(len(data[0])):
for j in range(len(substr)+1, len(data[0])-i+1):
if all(data[0][i:i+j] in x for x in data[1:]):
substr = data[0][i:i+j]
else:
break
return substr
解决方案 8：
我的答案很慢，但很容易理解。处理一个包含 100 个 1kb 字符串的文件大约需要两秒钟，如果有多个，则返回任何一个最长的子字符串
ls = list()
ls.sort(key=len)
s1 = ls.pop(0)
maxl = len(s1)
1 创建一个按长度反向排序的所有子字符串的列表。这样我们就不必检查整个列表。
subs = [s1[i:j] for i in range(maxl) for j in range(maxl,i,-1)]
subs.sort(key=len, reverse=True)
2 检查下一个最短的子字符串，然后检查下一个等等。如果它不在任何下一个最短字符串中，则打破循环，这并不常见。如果它通过了所有检查，默认情况下它是最长的，则打破循环。
def isasub(subs, ls):
for sub in subs:
for st in ls:
if sub not in st:
break
else:
return sub
break
print('the longest common substring is: ',isasub(subs,ls))
解决方案 9：
Caveman 解决方案将根据您以列表形式传递的子字符串长度，为您提供一个数据框，其中包含字符串中最常见子字符串：
import pandas as pd
lista = ['How much wood would a woodchuck',' chuck if a woodchuck could chuck wood?']
string = ''
for i in lista:
string = string + ' ' + str(i)
string = string.lower()
characters_you_would_like_to_remove_from_string = [' ','-','_']
for i in charecters_you_would_like_to_remove_from_string:
string = string.replace(i,'')
substring_length_you_want_to_check = [3,4,5,6,7,8]
results_list = []
for string_length in substring_length_you_want_to_check:
for i in range(len(string)):
checking_str = string[i:i+string_length]
if len(checking_str) == string_length:
number_of_times_appears = (len(string) - len(string.replace(checking_str,'')))/string_length
results_list = results_list+[[checking_str,number_of_times_appears]]
df = pd.DataFrame(data=results_list,columns=['string','freq'])
df['freq'] = df['freq'].astype('int64')
df = df.drop_duplicates()
df = df.sort_values(by='freq',ascending=False)
display(df[:10])
结果是：
string freq
78 huck 4
63 wood 4
77 chuc 4
132 chuck 4
8 ood 4
7 woo 4
21 chu 4
23 uck 4
22 huc 4
20 dch 3
解决方案 10：
您可以使用 SuffixTree 模块，它是基于通用后缀树的 ANSI C 实现的包装器。该模块易于处理……
看看这里：
相关推荐
热门文章
项目管理软件有哪些？
热门标签
曾咪二维码
扫码咨询，免费领取项目管理大礼包！
云禅道AD
