☰

提取以重复数字开头的整数子序列

tag-icon • tag-icon bash shell awk sed scripting
提取以重复数字开头的整数子序列

我有一个包含单列整数的文件。我想从此文件中提取所有连续子序列（即以连续顺序出现的子序列）的列表，这些子序列连续两次以相同的数字开头，长度为 12 个整数（包括重叠子序列）。

此外，文件中的任何非整数行都应被忽略/删除，并且如果任何序列在达到 12 个整数之前到达输入末尾，则仍应输出缩短的序列。

例如，假设我的输入文件包含以下数据：

1
junk
1

1
2
3
4
4
5
6
7
8
9
10
11
12
13
14
15
15
16

那么该解决方案应产生以下输出：

1 1 1 2 3 4 4 5 6 7 8 9
1 1 2 3 4 4 5 6 7 8 9 10
4 4 5 6 7 8 9 10 11 12 13 14
15 15 16

请注意，该junk行和空行被忽略，因此前三1行被视为连续的。

答案1

这是一个可以执行您想要的操作的 Python 脚本：

#!/usr/bin/env python2
# -*- coding: ascii -*-
"""extract_subsequences.py"""

import sys
import re

# Open the file
with open(sys.argv[1]) as file_handle:

    # Read the data from the file
    # Remove white-space and ignore non-integers
    numbers = [
        line.strip()
        for line in file_handle.readlines()
        if re.match("^\d+$", line) 
    ]

    # Set a lower bound so that we can output multiple lists
    lower_bound = 0
    while lower_bound < len(numbers)-1:

        # Find the "start index" where the same number
        # occurs twice at consecutive locations
        start_index = -1 
        for i in range(lower_bound, len(numbers)-1):
            if numbers[i] == numbers[i+1]:
                start_index = i
                break

        # If a "start index" is found, print out the two rows
        # values and the next 10 rows as well
        if start_index >= lower_bound:
            upper_bound = min(start_index+12, len(numbers))
            print(' '.join(numbers[start_index:upper_bound]))

            # Update the lower bound
            lower_bound = start_index + 1

        # If no "start index" is found then we're done
        else:
            break

假设您的数据位于名为data.txt.然后你可以像这样运行这个脚本：

python extract_subsequences.py data.txt

假设您的输入文件data.txt如下所示：

1
1
1
2
3
4
5
6
7
8
9
10
11
12

那么你的输出将如下所示：

1 1 1 2 3 4 5 6 7 8 9 10
1 1 2 3 4 5 6 7 8 9 10 11

要将输出保存到文件，请使用输出重定向：

python extract_subsequences.py data.txt > output.txt

答案2

AWK方法：

只考虑第一次遇到的2个相同的连续数字，即适合多次提取，但不考虑2个相同的连续数字可能进入处理后的切片下的后续10个数字序列的情况。

awk 'NR==n && $1==v{ print v ORS $1 > "file"++c; tail=n+11; next }
     { v=$1; n=NR+1 }NR<tail{ print > "file"c }' file

答案3

第一个变体-O（n）

awk '
/^[0-9]+$/{
    arr[cnt++] = $0;
}

END {
    for(i = 1; i < cnt; i++) {
        if(arr[i] != arr[i - 1])
            continue;

        last_element = i + 11; 
        for(j = i - 1; j < cnt && j < last_element; j++) {
            printf arr[j] " ";
        }
        print "";
    }
}' input.txt

第二种变体 - O(n * n)

awk '
BEGIN {
    cnt = 0;
}

/^[0-9]+$/{
    if(prev == $0) {
        arr[cnt] = prev;
        cnt_arr[cnt]++;
        cnt++;
    }
    
    for(i = 0; i < cnt; i++) {
        if(cnt_arr[i] < 12) {
            arr[i] = arr[i] " " $0; 
            cnt_arr[i]++;
        }
    }

    prev = $0;        
}

END {
    for(i = 0; i < cnt; i++)
        print arr[i];
}' input.txt

输出

1 1 1 2 3 4 4 5 6 7 8 9
1 1 2 3 4 4 5 6 7 8 9 10
4 4 5 6 7 8 9 10 11 12 13 14
15 15 16

相关内容