python – 在字符串列表中标记动态子字符串

假设这两组字符串：

file=sheet-2016-12-08.xlsx
file=sheet-2016-11-21.xlsx
file=sheet-2016-11-12.xlsx
file=sheet-2016-11-08.xlsx
file=sheet-2016-10-22.xlsx
file=sheet-2016-09-29.xlsx
file=sheet-2016-09-05.xlsx
file=sheet-2016-09-04.xlsx

size=1024KB
size=22KB
size=980KB
size=15019KB
size=202KB

我需要分别在这两个集合上运行一个函数,并分别接收以下输出：

file=sheet-2016-*.xlsx

size=*KB

数据集可以是任何字符串集.它不必匹配格式.这是另一个例子：

id.4030.paid
id.1280.paid
id.88.paid

预期产量为：

id.*.paid

基本上,我需要一个函数来分析一组字符串,并用星号(*)替换不常见的子字符串

解决方法

您可以使用os.path.commonprefix来计算公共前缀.它用于计算文件路径列表中的共享目录,但可以在通用上下文中使用.

然后反转字符串,再次应用公共前缀,然后反向,计算公共后缀(改编自https://gist.github.com/willwest/ca5d050fdf15232a9e67)

dataset = """id.4030.paid
id.1280.paid
id.88.paid""".splitlines()

import os


# Return the longest common suffix in a list of strings
def longest_common_suffix(list_of_strings):
    reversed_strings = [s[::-1] for s in list_of_strings]
    return os.path.commonprefix(reversed_strings)[::-1]

common_prefix = os.path.commonprefix(dataset)
common_suffix = longest_common_suffix(dataset)

print("{}*{}".format(common_prefix,common_suffix))

结果：

id.*.paid

编辑：正如Wim所说：

>当所有字符串相等时,公共前缀和&后缀是相同的,但它应该返回字符串本身而不是前缀*后缀：应检查所有字符串是否相同
>当共同前缀&后缀重叠/有共享字母,这也会混淆计算：应该计算字符串上的公共后缀减去公共前缀

因此,需要一个多合一的方法来预先测试列表,以确保至少2个字符串是不同的(在过程中缩小前缀/后缀公式),并使用切片计算公共后缀以删除公共前缀：

def compute_generic_string(dataset):
    # edge case where all strings are the same
    if len(set(dataset))==1:
        return dataset[0]

    commonprefix = os.path.commonprefix(dataset)

    return "{}*{}".format(commonprefix,os.path.commonprefix([s[len(commonprefix):][::-1] for s in dataset])[::-1])

现在让我们测试一下：

for dataset in [['id.4030.paid','id.1280.paid','id.88.paid'],['aBBc','aBc'],[]]:
    print(compute_generic_string(dataset))

结果：

id.*.paid
aB*c
*

(当数据集为空时,代码返回*,也许这应该是另一个边缘情况)