- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我知道这是一个有点落伍的话题,但我已经达到了我可以从已经回答的内容中获得的帮助的极限。
这是给 Rosalind project problem LREP 的.我试图在一个字符串中找到最长的 k-peated 子字符串,并且已经提供 后缀树,这很好。我知道我需要用每个节点的后代叶子的数量来注释后缀表,然后找到具有 >=k
后代的节点,最后找到那些节点中最深的节点。理论上我已经准备好了。
我从以下资源中得到了很多帮助(糟糕,我只能发布 2):
我可以得到从根到每个叶子的路径,但我不知道如何以这样一种方式预处理树,以便我可以从每个节点获得后代的数量。我有一个单独的算法,适用于小序列,但它的复杂度呈指数级,所以对于更大的东西,它需要的时间太长。我知道使用 DFS 我应该能够以线性复杂度执行整个任务。为了使该算法起作用,我需要能够在不到 5 分钟的时间内获得 ~40,000 长度字符串的最长 k-peat。
下面是一些示例数据(第一行:sequence
,第二行:k
,后缀表格式:parent child location length
):
CATACATAC$
2
1 2 1 1
1 7 2 1
1 14 3 3
1 17 10 1
2 3 2 4
2 6 10 1
3 4 6 5
3 5 10 1
7 8 3 3
7 11 5 1
8 9 6 5
8 10 10 1
11 12 6 5
11 13 10 1
14 15 6 5
14 16 10 1
此输出应为 CATAC
。
使用以下代码(修改自 LiteratePrograms )我已经能够获取路径,但是在较长的序列上解析每个节点的路径仍然需要很长时间。
#authors listed at
#http://en.literateprograms.org/Depth-first_search_(Python)?action=history&offset=20081013235803
class Vertex:
def __init__(self, data):
self.data = data
self.successors = []
def depthFirstSearch(start, isGoal, result):
if start in result:
return False
result.append(start)
if isGoal(start):
return True
for v in start.successors:
if depthFirstSearch(v, isGoal, result):
return True
# No path was found
result.pop()
return False
def lrep(seq,reps,tree):
n = 2 * len(seq) - 1
v = [Vertex(i) for i in xrange(n)]
edges = [(int(x[0]),int(x[1])) for x in tree]
for a, b in edges:
v[a].successors.append(v[b])
paths = {}
for x in v:
result = []
paths[x.data] = []
if depthFirstSearch(v[1], (lambda v: v.data == x.data), result):
path = [u.data for u in result]
paths[x.data] = path
我想做的是预处理树以在找到深度之前找到满足 descendants >= k
要求的节点。我什至还不知道如何计算深度。虽然我想我会有一些字典来跟踪路径中每个节点的深度然后求和。
因此,我的第一个最重要的问题是:“我如何用后代叶子预处理树?”
我的第二个不太重要的问题是:“在那之后,我怎样才能快速计算深度?”
附言我应该声明,这不是家庭作业或任何类似的东西。我只是一名试图通过一些计算挑战来扩展我的视野的生物化学家。
最佳答案
基本字符串操作练习的好问题。我不记得后缀树了;)但正如你所说:理论上,你已经准备好了。
wikipedia-stub关于这个话题有点困惑。你只需要知道,如果你是最外层的非叶节点,有 n >= k
个子节点。如果您在整个字符串中找到从根节点到这个节点的子字符串,后缀树会告诉您,有 n
可能的延续。所以必须有 n
个地方出现这个字符串。
这个问题和许多类似问题的一个简单关键概念是进行深度优先搜索:在每个节点中,询问子元素的值并将其最大值返回给父元素。根节点将获得最终结果。
计算值的方式因问题而异。这里每个节点都有三种可能性:
n
个子节点,则从根到此节点的每条边的连接字符串在整个字符串中出现 n
次。如果我们至少需要k
个节点和k > n
,结果也是无效的。当然,你也必须返回相应的结束节点。否则你会知道,最长的重复子串有多长,但不知道它在哪里。
您应该首先尝试自己编写代码。如果您想收集所有必要的信息,构建树很简单但并不简单。尽管如此,这里还是一个简单的例子。请注意:如果输入不知何故无效,则每项健全性检查都会被取消,一切都会严重失败。例如。不要尝试使用除根索引之外的任何其他根索引,不要将节点作为父节点引用,之前未将其作为子节点引用,等等。有很大的改进空间 *提示;)* .
class Node(object):
def __init__(self, idx):
self.idx = idx # not needed but nice for prints
self.parent = None # edge to parent or None
self.childs = [] # list of edges
def get_deepest(self, k = 2):
max_value = -1
max_node = None
for edge in self.childs:
r = edge.n2.get_deepest()
if r is None: continue # leaf
value, node = r
value += len(edge.s)
if value > max_value: # new best result
max_value = value
max_node = node
if max_node is None:
# we are either a leaf (no edge connected) or
# the last non-leaf.
# The number of childs have to be k to be valid.
return (0, self) if len(self.childs) == k else None
else:
return (max_value, max_node)
def get_string_to_root(self):
if self.parent is None: return ""
return self.parent.n1.get_string_to_root() + self.parent.s
class Edge(object):
# creating the edge also sets the correspondending
# values in the nodes
def __init__(self, n1, n2, s):
#print "Edge %d -> %d [ %s]" % (n1.idx, n2.idx, s)
self.n1, self.n2, self.s = n1, n2, s
n1.childs.append(self)
n2.parent = self
nodes = {1 : Node(1)} # root-node
string = sys.stdin.readline()
k = int(sys.stdin.readline())
for line in sys.stdin:
parent_idx, child_idx, start, length = [int(x) for x in line.split()]
s = string[start-1:start-1+length]
# every edge constructs a Node
nodes[child_idx] = Node(child_idx)
Edge(nodes[parent_idx], nodes[child_idx], s)
(depth, node) = nodes[1].get_deepest(k)
print node.get_string_to_root()
关于python - 最长重复(k 次)子串,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13311259/
我正在尝试创建一个程序,其中字符串的前三个字符重复给定次数,如下所示: foo('Chocolate', 3) # => 'ChoChoCho' foo('Abc', 3) # => 'AbcAbcA
我有以下字符串: std::string str = "Mode:AAA:val:101:id:A1"; 我想分离一个位于 "val:" 和 ":id" 之间的子字符串,这是我的方法: std::st
DNA 字符串可以是任意长度,包含 5 个字母(A、T、G、C、N)的任意组合。 压缩包含 5 个字母(A、T、G、C、N)的 DNA 字母串的有效方法是什么?不是考虑每个字母表 3 位,我们可以使用
是否有一种使用 levenstein 距离将一个特定字符串与第二个较长字符串中的任何区域进行匹配的好方法? 例子: str1='aaaaa' str2='bbbbbbaabaabbbb' if str
使用 OAuth 并使用以下函数使用我们称为“foo”(实际上是 OAuth token )的字符串加密 key public function encrypt( $text ) { // a
我是一名优秀的程序员,十分优秀!