整数数据序列中的近似模式匹配与R

我有一个整数模式

c（1,2,3,4,5）

，需要在数据中近似匹配

c（1,10,1,6,3,4,5,1,2,3,4,5,9,10,1,2,3,4,6）

我试过：

• pmatch（）
• 全部相等
• grepl（）

但他们似乎不支持这种情况

pattern <- c(1,2,3,4,5)

data <- c(1,10,1,6,3,4,5,1,2,3,4,5,9,10,1,2,3,4,6)

pattern我想你说的是“在另一个整数序列中匹配一个整数序列，其中至少有N-1个整数匹配”。在重叠匹配的情况下，行为应该是什么还不清楚，因此下面将选取重叠的序列

# helper function to test "match" at a threshold of 4 matches
is_almost <- function(s1, s2, thresh = 4) {
   sum(s1 == s2) >= thresh }

# function to lookup and return sequences
extract_seq <- function(pattern, data) {
   res <- lapply(1:(length(data) - length(pattern) + 1), function(s) {
   subseq <- data[s:(s+length(pattern)-1)]
   if (is_almost(pattern, subseq)) { 
      subseq}
   })
   Filter(Negate(is.null),res)
}

# let's test it out
pattern <- c(1,2,3,4,5)
data <- c(1,10,1,6,3,4,5,1,2,3,4,5,9,10,1,2,3,4,6)

extract_seq(pattern,data)

[[1]]
[1] 1 6 3 4 5

[[2]]
[1] 1 2 3 4 5

[[3]]
[1] 1 2 3 4 6

#在4个匹配阈值下测试“匹配”的辅助函数
是_几乎=thresh}
#用于查找和返回序列的函数
提取_seq如果您想在向量中找到与给定向量匹配的唯一元素，您可以使用
%Iin%
测试在较大向量中是否存在您的“模式”。运算符%
中的
%返回一个逻辑向量。将该输出传递给
which（）
将返回每个
TRUE
值的索引，该值可用于将较大的向量子集，以返回与“模式”匹配的所有元素，而不考虑顺序。将子集向量传递给
unique（）
可消除重复项，以便与“模式”向量的元素和长度匹配的较大向量中的每个元素只出现一次

例如：

> num.data <- c(1, 10, 1, 6, 3, 4, 5, 1, 2, 3, 4, 5, 9, 10, 1, 2, 3, 4, 5, 6)
> num.pattern.1 <- c(1,6,3,4,5)
> num.pattern.2 <- c(1,2,3,4,5)
> num.pattern.3 <- c(1,2,3,4,6)
> unique(num.data[which(num.data %in% num.pattern.1)])
[1] 1 6 3 4 5
> unique(num.data[which(num.data %in% num.pattern.2)])
[1] 1 3 4 5 2
> unique(num.data[which(num.data %in% num.pattern.3)])
[1] 1 6 3 4 2

为了再现性，我使用了
set.seed（）
，然后创建了一个测试数据集和模式。函数
find_vector（）
有两个参数：第一个参数是
test.data
，它是要检查模式向量的较大数值向量；第二个参数是
test.pattern.1
它是要在
test.data
中查找的较短数值向量。首先，创建三个列表：
lst
以保存
测试。将数据
划分为长度等于模式向量长度的较小向量，
lst2
以保存满足第一个条件的
lst
模式向量，和
lst3
以从
lst
保存满足第二个条件的向量。第一个条件测试
lst
中向量的元素是否在模式向量中。第二个条件测试
lst
中的向量是否按顺序和元素匹配模式向量

这种方法的一个问题是，当条件不满足时，
NULL
值被引入每个列表，但当条件满足时，过程停止。为了便于参考，您可以打印列表以查看所有测试向量、满足第一个条件的向量以及满足第二个条件的向量。可以删除空值。清除空值后，找到
lst2
和
lst3
的交点将显示
test.data
中相同匹配的模式

要使用该函数，请确保明确定义
test.data如何获得这些输出尚不清楚。请解释您是如何从输入转换到输出的。@RichardScriven-非常不清楚，但它似乎是成套匹配的，即-删除第一批最接近的匹配项，然后重新开始
1:5
与
1,6,3,4,5
匹配得非常接近，然后
1,2,3,4,5
，然后
1,2,3,4,6
类似于此的近似版本：如何处理重叠序列，例如：
c（1,2,3,4,1,2,3,4,5）
，谢谢Gary，你提供的正是我想要的。我用50万的数字向量（数据）尝试了Gary的解决方案。只花了6秒钟就得出了结果。
set.seed(12102015)
test.data <- sample(c(1:99), size = 500, replace = TRUE)
test.pattern.1 <- test.data[90:94]

find_vector <- function(test.data, test.pattern.1) {
   # List of all the vectors from test.data with length = length(test.pattern.1), currently empty
   lst <- vector(mode = "list")
   # List of vectors that meet condition 1, currently empty
   lst2 <- vector(mode = "list")
   # List of vectors that meet condition 2, currently empty
   lst3 <- vector(mode = "list")
   # A modifier to the iteration variable used to build 'lst'
   a <- length(test.pattern.1) - 1
   # The loop to iterate through 'test.data' testing for conditions and building lists to return a match
   for(i in 1:length(test.data)) {
     # The list is build incrementally as 'i' increases
     lst[[i]] <- test.data[c(i:(i+a))]
     # Conditon 1
     if(sum(lst[[i]] %in% test.pattern.1) == length(test.pattern.1)) {lst2[[i]] <- lst[[i]]}
     # Condition 2
     if(identical(lst[[i]], test.pattern.1)) {lst3[[i]] <- lst[[i]]}
   }
   # Remove nulls from 'lst2' and 'lst3'
   lst2 <- lst2[!sapply(lst2, is.null)]
   lst3 <- lst3[!sapply(lst3, is.null)]
# Return the intersection of 'lst2' and 'lst3' which should be a match to the pattern vector.
return(intersect(lst2, lst3))
}