2つ以上の文字列からの最も長い一般的なサブストリング-Python

Question

から最も長い共通のサブストリングを見つけるためのPythonライブラリを探しています 文字列のセット. 。この問題を解決するには2つの方法があります。

• 接尾辞ツリーを使用します
• 動的プログラミングの使用。

実装された方法は重要ではありません。使用できることが重要です 文字列のセット （2つの文字列だけではありません）。

Answer 1

これらのペアの関数は、任意の文字列の配列で最も長い一般的な文字列を見つけます。

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!'])

アルゴリズムが改善される可能性があり、Pythonにあまり曝露していないことは間違いありません。そのため、構文的にもより効率的になる可能性がありますが、仕事をするはずです。

編集： JF Sebastianによって示されているように、2番目のIS_SubSTR関数に並んでいます。使用法は同じままです。注：アルゴリズムへの変更はありません。

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

お役に立てれば、

ジェイソン。

Answer 2

私はこれを好みます is_substr, 、私はそれがもう少し読みやすく、直感的だと思うので：

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

Answer 3

これは短くすることができます：

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)

セットは（おそらく）ハッシュマップとして実装されているため、これは少し非効率的になります。 （1）セットデータタイプをtrieとして実装し、（2）ポストフィックスをtrieに保存してから、各ノードをエンドポイントにするだけの場合（これはすべてのサブストリングを追加するのと同等です）、理論的には推測しますこの赤ちゃんは、特にトライの交差点が非常に簡単であるため、かなり記憶に効率的です。

それにもかかわらず、これは短く、時期尚早の最適化はかなりの量の無駄な時間の根源です。

Answer 4

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

から http://bitbucket.org/ned/cog/src/tip/cogapp/whiteutils.py

Answer 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

免責事項 これは、Jtjacquesの答えにほとんど追加されません。ただし、うまくいけば、これはもっと読みやすくなるはずです と もっと早く と それはコメントに収まらなかったので、なぜ私はこれを答えに投稿しています。私は満足していません shortest_of, 、 実を言うと。

Answer 6

一般化されたサフィックスツリーのANSI C実装に基づいたラッパーである接尾辞モジュールを使用できます。モジュールは簡単に処理できます。

を見てみましょう： ここ

Answer 7

誰かが任意のオブジェクトのシーケンスのリストを取得できる一般化バージョンを探している場合：

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!'])