Il modo migliore per determinare se una sequenza si trova in un'altra sequenza in Python
Domanda
Questa è una generalizzazione della stringa " contiene sottostringa " problema a (più) tipi arbitrari.
Data una sequenza (come un elenco o una tupla), qual è il modo migliore per determinare se al suo interno è presente un'altra sequenza? Come bonus, dovrebbe restituire l'indice dell'elemento in cui inizia la sottosequenza:
Esempio di utilizzo (sequenza in sequenza):
>>> seq_in_seq([5,6], [4,'a',3,5,6])
3
>>> seq_in_seq([5,7], [4,'a',3,5,6])
-1 # or None, or whatever
Finora mi baso solo sulla forza bruta e sembra lento, brutto e goffo.
Soluzione
Secondo, l'algoritmo Knuth-Morris-Pratt. A proposito, il tuo problema (e la soluzione KMP) è esattamente la ricetta 5.13 in Cookbook Python 2a edizione. È possibile trovare il codice correlato su http://code.activestate.com/recipes/117214/
Trova tutto le sottosequenze corrette in una data sequenza e dovrebbe essere usato come iteratore:
>>> for s in KnuthMorrisPratt([4,'a',3,5,6], [5,6]): print s
3
>>> for s in KnuthMorrisPratt([4,'a',3,5,6], [5,7]): print s
(nothing)
Altri suggerimenti
Ecco un approccio a forza bruta O (n * m)
(simile a La risposta di @mcella ). Potrebbe essere più veloce dell'implementazione dell'algoritmo Knuth-Morris-Pratt in Python O (n + m)
puro (vedi @ Risposta di Gregg Lind ) per piccole sequenze di input.
#!/usr/bin/env python
def index(subseq, seq):
"""Return an index of `subseq`uence in the `seq`uence.
Or `-1` if `subseq` is not a subsequence of the `seq`.
The time complexity of the algorithm is O(n*m), where
n, m = len(seq), len(subseq)
>>> index([1,2], range(5))
1
>>> index(range(1, 6), range(5))
-1
>>> index(range(5), range(5))
0
>>> index([1,2], [0, 1, 0, 1, 2])
3
"""
i, n, m = -1, len(seq), len(subseq)
try:
while True:
i = seq.index(subseq[0], i + 1, n - m + 1)
if subseq == seq[i:i + m]:
return i
except ValueError:
return -1
if __name__ == '__main__':
import doctest; doctest.testmod()
Mi chiedo quanto è grande il piccolo in questo caso?
Stessa cosa per la corrispondenza delle stringhe signore ... Knuth-Morris-Pratt stringa corrispondente
Un approccio semplice: converti in stringhe e fai affidamento sulla corrispondenza delle stringhe.
Esempio usando liste di stringhe:
>>> f = ["foo", "bar", "baz"]
>>> g = ["foo", "bar"]
>>> ff = str(f).strip("[]")
>>> gg = str(g).strip("[]")
>>> gg in ff
True
Esempio usando tuple di stringhe:
>>> x = ("foo", "bar", "baz")
>>> y = ("bar", "baz")
>>> xx = str(x).strip("()")
>>> yy = str(y).strip("()")
>>> yy in xx
True
Esempio usando liste di numeri:
>>> f = [1 , 2, 3, 4, 5, 6, 7]
>>> g = [4, 5, 6]
>>> ff = str(f).strip("[]")
>>> gg = str(g).strip("[]")
>>> gg in ff
True
>>> def seq_in_seq(subseq, seq):
... while subseq[0] in seq:
... index = seq.index(subseq[0])
... if subseq == seq[index:index + len(subseq)]:
... return index
... else:
... seq = seq[index + 1:]
... else:
... return -1
...
>>> seq_in_seq([5,6], [4,'a',3,5,6])
3
>>> seq_in_seq([5,7], [4,'a',3,5,6])
-1
Mi dispiace non sono un esperto di algoritmi, è solo la cosa più veloce a cui la mia mente può pensare al momento, almeno penso che sia carino (per me) e mi sono divertito a programmarlo. ; -)
Molto probabilmente è la stessa cosa che sta facendo il tuo approccio alla forza bruta.
La forza bruta può andare bene per piccoli schemi.
Per quelli più grandi, guarda Algoritmo Aho-Corasick .
Ecco un'altra implementazione di KMP:
from itertools import tee
def seq_in_seq(seq1,seq2):
'''
Return the index where seq1 appears in seq2, or -1 if
seq1 is not in seq2, using the Knuth-Morris-Pratt algorithm
based heavily on code by Neale Pickett <neale@woozle.org>
found at: woozle.org/~neale/src/python/kmp.py
>>> seq_in_seq(range(3),range(5))
0
>>> seq_in_seq(range(3)[-1:],range(5))
2
>>>seq_in_seq(range(6),range(5))
-1
'''
def compute_prefix_function(p):
m = len(p)
pi = [0] * m
k = 0
for q in xrange(1, m):
while k > 0 and p[k] != p[q]:
k = pi[k - 1]
if p[k] == p[q]:
k = k + 1
pi[q] = k
return pi
t,p = list(tee(seq2)[0]), list(tee(seq1)[0])
m,n = len(p),len(t)
pi = compute_prefix_function(p)
q = 0
for i in range(n):
while q > 0 and p[q] != t[i]:
q = pi[q - 1]
if p[q] == t[i]:
q = q + 1
if q == m:
return i - m + 1
return -1
Sono un po 'in ritardo alla festa, ma ecco qualcosa di semplice usando le stringhe:
>>> def seq_in_seq(sub, full):
... f = ''.join([repr(d) for d in full]).replace("'", "")
... s = ''.join([repr(d) for d in sub]).replace("'", "")
... #return f.find(s) #<-- not reliable for finding indices in all cases
... return s in f
...
>>> seq_in_seq([5,6], [4,'a',3,5,6])
True
>>> seq_in_seq([5,7], [4,'a',3,5,6])
False
>>> seq_in_seq([4,'abc',33], [4,'abc',33,5,6])
True
Come notato da Ilya V. Schurov , il metodo trova in questo caso non restituirà gli indici corretti con stringhe a più caratteri o numeri a più cifre.
Un altro approccio, usando set:
set([5,6])== set([5,6])&set([4,'a',3,5,6])
True