R 如何确定字符串中每个位置的码字频率

我有几个长度可变的字符串，示例如下：

sequences <- c("ABCDEFGH", "FGHABCDEF")

然而，我的实际数据有100个码字和10000多个序列。我正在寻找一种计算效率高的方法。最大起始位置数始终是最长序列（本例中为9个字母）减去3+1=7，因为所有码字的长度均为3。对于我的使用，码字长度也是可变的，所以我希望有一种方法能够做到这一点，而不考虑码字长度

如果需要，请随时要求澄清

谢谢

以下是我的看法：

key$substrings <- sub(",\\s", "|", key$substrings)
res <- lapply(key$substrings, function(x) {
  x <- gregexpr(x, text = sequences)
  setNames(as.data.frame(table(unlist(x))), c("StartingPosition", "Occurences"))
})

res <- do.call(rbind, Map(cbind, res, 
                          codeword = key$codewords, 
                          substrings = key$substrings))
res <- subset(res, StartingPosition != -1)

#   StartingPosition Occurences codeword substrings
#1                 1          1        1    BCD|FGH
#2                 2          1        1    BCD|FGH
#3                 5          1        1    BCD|FGH
#4                 6          1        1    BCD|FGH
#5                 3          1        2    CDE|EFG
#6                 6          1        2    CDE|EFG
#7                 1          1        3    ABC|DEF
#8                 4          2        3    ABC|DEF
#9                 7          1        3    ABC|DEF
#11                2          1        4    GHA|HAB

---

子字符串的第二部分如何相关？@A5C1D2H2I1M1N2O1R2T1刚刚添加。我希望这有帮助。谢谢：）@docendodiscimus这两个三元组字符串都对应一个码字。因此，如果出现BCD或FGH，我将它们视为相同的（码字1）。码字3对应于子字符串“ABC，DEF”。ABC从“ABCDEFGH”中的位置1开始。我知道我的问题中没有包括这一点，但是如果我有一个序列有两个相同的三联体呢？例如，“ABCDEFABC”@KeshavM，请在评论中查看我对您的问题的更新答案，以及稍微更改的顺序，这一点很重要。@KeshavM如果您不想报告多个匹配项，可以使用regexpr而不是gregexpr。

StartingPosition     Codeword    Occurences
1     1     1
1     2     0
1     3     1
1     4     0
2     1     1
2     2     0
2     3     0
2     4     1
3     1     0
3     2     1
3     3     0
3     4     1
4     1     0
4     2     0
4     3     2
4     4     0

key$substrings <- sub(",\\s", "|", key$substrings)
res <- lapply(key$substrings, function(x) {
  x <- gregexpr(x, text = sequences)
  setNames(as.data.frame(table(unlist(x))), c("StartingPosition", "Occurences"))
})

res <- do.call(rbind, Map(cbind, res, 
                          codeword = key$codewords, 
                          substrings = key$substrings))
res <- subset(res, StartingPosition != -1)

#   StartingPosition Occurences codeword substrings
#1                 1          1        1    BCD|FGH
#2                 2          1        1    BCD|FGH
#3                 5          1        1    BCD|FGH
#4                 6          1        1    BCD|FGH
#5                 3          1        2    CDE|EFG
#6                 6          1        2    CDE|EFG
#7                 1          1        3    ABC|DEF
#8                 4          2        3    ABC|DEF
#9                 7          1        3    ABC|DEF
#11                2          1        4    GHA|HAB

sequences <- "ABCDEFABC"

res <- lapply(key$substrings, function(x) {
  x <- gregexpr(x, text = sequences)
  setNames(as.data.frame(table(unlist(x))), c("StartingPosition", "Occurences"))
})

res <- do.call(rbind, Map(cbind, res, 
                          codeword = key$codewords, 
                          substrings = key$substrings))
res <- subset(res, StartingPosition != -1)

#  StartingPosition Occurences codeword substrings
#1                2          1        1    BCD|FGH
#2                3          1        2    CDE|EFG
#3                1          1        3    ABC|DEF    # 1. occurence of ABC
#4                4          1        3    ABC|DEF    
#5                7          1        3    ABC|DEF    # 2. occurence of ABC