r - 在R中的数字序列中查找具有特定长度的所有子序列

Question

我想在(最小)长度为 n 的序列中找到所有子序列。让我们假设我有这个序列

sequence <- c(1,2,3,2,5,3,2,6,7,9)

我想找到最小长度为 3 的递增子序列。输出应该是一个数据帧，每个子序列的起始和结束位置都被找到。

df =data.frame(c(1,7),c(3,10))
colnames(df) <- c("start", "end")

有人可以提示如何解决我的问题吗？

提前致谢!

Answer 1

仅使用基础 R 的一种方法

n <- 3

do.call(rbind, sapply(split(1:length(sequence), cumsum(c(0, diff(sequence)) < 1)), 
        function(x) if (length(x) >= n) c(start = x[1], end = x[length(x)])))

#  start end
#1    1    3
#4    7   10

split sequence的索引基于连续递增的子序列，如果 length每组的大于等于 n返回该组的开始和结束索引。

要理解让我们分解并逐步理解它

使用 diff我们可以找到连续元素之间的差异

diff(sequence)
#[1]  0  1  1 -1  3 -2 -1  4  1  2

我们检查哪些没有递增的子序列

diff(sequence) < 1
#[1] FALSE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE

并对它们进行累计总和以创建组

cumsum(c(0, diff(sequence)) < 1)
#[1] 1 1 1 2 2 3 4 4 4 4

基于这个群体，我们 split索引来自 1:length(sequence)

split(1:length(sequence), cumsum(c(0, diff(sequence)) < 1))
#$`1`
#[1] 1 2 3

#$`2`
#[1] 4 5

#$`3`
#[1] 6

#$`4`
#[1]  7  8  9 10

使用 sapply我们遍历这个列表并返回列表的开始和结束索引 if length列表中的是 >= n (在这种情况下为 3)

sapply(split(1:length(sequence), cumsum(c(0, diff(sequence)) < 1)), 
       function(x) if (length(x) >= n) c(start = x[1], end = x[length(x)]))

#$`1`
#start   end 
#    1     3 

#$`2`
# NULL

#$`3`
#NULL

#$`4`
#start   end 
#    7    10 

最后， rbind所有这些都一起使用 do.call . NULL元素被自动忽略。

do.call(rbind, sapply(split(1:length(sequence), cumsum(c(0, diff(sequence)) < 1)), 
       function(x) if (length(x) >= n) c(start = x[1], end = x[length(x)])))

#  start end
#1     1   3
#4     7  10