☰

繰り返される数字で始まる整数のサブシーケンスの抽出

tag-icon • tag-icon bash shell awk sed scripting
繰り返される数字で始まる整数のサブシーケンスの抽出

単一の整数列を含むファイルがあります。このファイルでは、連続して2回同じ数字で始まり、長さが12の整数（重複するサブシーケンスを含む）であるすべての連続サブシーケンス（つまり、連続シーケンスで発生するサブシーケンス）のリストを抽出したいと思います。

また、ファイルの整数以外の行は無視/削除する必要があり、シーケンスが12個の整数に達する前に入力の終わりに達すると、短縮されたシーケンスを連続して出力する必要があります。

たとえば、入力ファイルに次のデータが含まれているとします。

1
junk
1

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

その後、ソリューションは次の出力を生成する必要があります。

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

このjunk行と空の行は無視されるため、最初の3行1は連続したものと見なされます。

答え1

目的のタスクを実行するPythonスクリプトは次のとおりです。

#!/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

データがというディレクトリにあると仮定すると、data.txt次のようにこのスクリプトを実行できます。

python extract_subsequences.py data.txt

入力ファイルがdata.txt次のようになるとします。

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

その後、出力は次のようになります。

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

出力をファイルに保存するには、出力リダイレクトを使用します。

python extract_subsequences.py data.txt > output.txt

答え2

AWK方法：

最初に検出された2つの連続した数字のみを考慮するため、複数の抽出に適していますが、処理されたスライスの下に後続の10個の数字シーケンスに同じ2つの連続した数字が含まれる状況は考慮されません。

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

答え3

最初の変形 - 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

2番目の変形 - 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

出力

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

関連情報