可能なすべての部分文字列の出現数とその出現をカウントします。

Question

文字列を指定すると、文字列内で起こりうる各部分文字列を計算します。私は以下のように機能を書かれている

"A" = 2 
"B" = 2 
"AA" = 0 
"AB" = 2 
"BA" = 1 
"BB" = 0 

：たとえば、私はすべての可能な部分列とそれらの値を計算したい文字列

str = "abab" 

を与え

countSubstrings <- function(string_try ="", items = NULL) 
{ 
    string_try <- toupper(string_try) 

    if(is.null(items)) 
    { 
    items <- strsplit(string_try, "")[[1]] 
    } 

    n <- length(unique(items)) 

    counts_substrings <- c() 
    substrings_all <- c() 

    for (i in 1:n) # Number of characters in substring 
    { 
    substrings_combo <- gtools::permutations(n, i, unique(items), repeats=TRUE) 

    print(paste("The number of combinations is: ", 
      nrow(substrings_combo), "for substrings of length", i)) 

    for(j in 1:nrow(substrings_combo)) 
    { 
     tosearch <- paste(substrings_combo[j,], collapse = "") 

     substrings_all <- c(substrings_all, tosearch) 

     total <- sum(grepl(tosearch, 
       sapply(1:(nchar(string_try) - 1), 
         function(ii) substr(string_try, ii, ii + 1)))) 

     counts_substrings <- c(counts_substrings, find_overlaps(tosearch, string_try)) 

    } 
    } 

    return(list(substrings_all,counts_substrings)) 
} 

それは何をしてIほんとうに遅いです。 1つの潜在的な欠陥私のプログラムでは、 "aa"の発生がゼロであっても部分文字列 "aaa"とみなしています。これは、シーケンス解析とパターンマイニングで一般的です。私はすでに高速化された実装が既にあるのか、それとも何とか最適化できるのかどうか疑問です。 Rソリューションが必要です。

Answer 1

すべての連続した部分文字列ですか？あなたの例には、部分文字列ではない値のある0があります。

について方法：

は、抽出関数これは1、2、3、...、Nサブストリング

の任意のグループを抽出することができる n

allsubstr <- function(x, n) substring(x, 1:(nchar(x) - n + 1), n:nchar(x)) 

長さの（not just unique）サブストリングを作成します

allsubstr("abab", 1) 
#> [1] "a" "b" "a" "b" 
allsubstr("abab", 2) 
#> [1] "ab" "ba" "ab" 
allsubstr("abab", 3) 
#> [1] "aba" "bab" 
allsubstr("abab", 4) 
#> [1] "abab" 

これは、所望の文字列の長さまで1に対して反復することができ、発生のテーブルは

substrings_table <- function(string) table(unlist(sapply(1:nchar(string), allsubstr, x=string))) 

substrings_table("abab") 
#> a ab aba abab b ba bab 
#> 2 2 1 1 2 1 1 

文字の潜在的な組み合わせをすべて含めることは、これを拡張する可能性があり、このテーブルに対して組み合わせのリストを確認する必要があります。私はこれらのタイプの操作のためのquantedaパッケージは非常に便利

Answer 2

、

library(quanteda) 
x <- "abab" 

ngrams(strsplit(x, '')[[1]], n = 2, concatenator = '') 
#[1] "ab" "ba" "ab" 

#or 
table(ngrams(strsplit(x, '')[[1]], n = 2, concatenator = '')) 
#ab ba 
# 2 1 

#or to get all combinations, 
unlist(sapply(1:nchar(x), function(i)table(ngrams(strsplit(x, '')[[1]], n = i, concatenator = '')))) 
#a b ab ba aba bab abab 
#2 2 2 1 1 1 1