Python描述数据结构之KMP篇

最新推荐文章于 2023-01-23 18:57:44 发布

夏小悠

最新推荐文章于 2023-01-23 18:57:44 发布

阅读量1.7k

点赞数 13

分类专栏：数据结构文章标签： python 数据结构字符串算法

本文链接：https://blog.csdn.net/qq_42730750/article/details/108058105

版权

数据结构专栏收录该内容

32 篇文章 19 订阅

订阅专栏

文章目录

前言

本篇章主要介绍串的KMP模式匹配算法及其改进，并用Python实现KMP算法。

1. BF算法

BF算法，即 $B r u c e - F o r c e$ 算法，又称暴力匹配算法。其思想就是将主串S的第一个字符与模式串T的第一个字符进行匹配，若相等，则继续比较S的第二个字符和T的第二个字符；若不相等，则比较S的第二个字符和T的第一个字符，依次比较下去，直到得出最后的匹配结果。
假设主串 $S = A B A C A B A B$ ，模式串 $T = A B A B$ ，每趟匹配失败后，主串S指针回溯，模式串指针回到头部，然后再次匹配，过程如下：

在这里插入图片描述

def BF(substrS, substrT):
    if len(substrT) > len(substrS):
        return -1
    j = 0
    t = 0
    while j < len(substrS) and t < len(substrT):
        if substrT[t] == substrS[j]:
            j += 1
            t += 1
        else:
            j = j - t + 1
            t = 0
    if t == len(substrT):
        return j - t
    else:
        return -1

2. KMP算法

KMP算法，是由 $D . E . K n u t h 、 J . H . M o r r i s 、 V . R . P r a t t$ 同时发现的，又被称为克努特-莫里斯-普拉特算法。该算法的基本思路就是在匹配失败后，无需回到主串和模式串最近一次开始比较的位置，而是在不改变主串已经匹配到的位置的前提下，根据已经匹配的部分字符，从模式串的某一位置开始继续进行串的模式匹配。

就是这次匹配失败时，下次匹配时模式串应该从哪一位开始比较。

BF算法思路简单，便于理解，但是在执行时效率太低。在上述的匹配过程中，第一次匹配时已经匹配的 $" A B A "$ ，其前缀与后缀都是 $" A "$ ，这个时候我们就不需要执行第二次匹配了，因为第一次就已经匹配过了，所以可以跳过第二次匹配，直接进行第三次匹配，即前缀位置移到后缀位置，主串指针无需回溯，并继续从该位开始比较。

前缀：是指除最后一个字符外，字符串的所有头部子串。
后缀：是指除第一个字符外，字符串的所有尾部子串。
部分匹配值 $(P a r t i a l$ $M a t c h, P M)$ ：字符串的前缀和后缀的最长相等前后缀长度。
例如， $^{'} a^{'}$ 的前缀和后缀都为空集，则最长公共前后缀长度为0； $^{'} a b^{'}$ 的前缀为 ${a\}$ ，后缀为 ${b\}$ ，则最长公共前后缀为空集，其长度长度为0； $^{'} a b a^{'}$ 的前缀为 ${a,ab\}$ ，后缀为 ${a,ba\}$ ，则最长公共前后缀为 ${a\}$ ，其长度长度为1； $^{'} a b a b^{'}$ 的前缀为 ${a,ab,aba\}$ ，后缀为 ${b,ab,bab\}$ ，则最长公共前后缀为 ${ab\}$ ，其长度长度为2。
前缀一定包含第一个字符，后缀一定包含最后一个字符。

在这里插入图片描述
如果模式串1号位与主串当前位(箭头所指的位置)不匹配，将模式串1号位与主串的下一位进行比较。next[0]=-1，这边就是一个特殊位置了，即如果主串与模式串的第1位不相同，那么下次就直接比较各第2位的字符。
在这里插入图片描述
如果模式串2号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A "$ ，即最长公共前后缀为空集，其长度为0，则下次匹配时将模式串1号位与主串的当前位进行比较。next[1]=0

如果模式串3号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B "$ ，即最长公共前后缀为空集，其长度为0，则下次匹配时将模式串1号位与主串的当前位进行比较。next[2]=0
在这里插入图片描述
如果模式串4号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B A "$ ，即最长公共前后缀为 $" A "$ ，其长度为1，则下次匹配时将前缀位置移到后缀位置，即模式串2号位与主串的当前位进行比较。next[3]=1
在这里插入图片描述
如果模式串5号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B A A "$ ，即最长公共前后缀为 $" A "$ ，其长度为1，则下次匹配时将前缀位置移到后缀位置，即模式串2号位与主串的当前位进行比较。next[4]=1
在这里插入图片描述
如果模式串6号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B A A B "$ ，即最长公共前后缀为 $" A B "$ ，其长度为2，则下次匹配时将前缀位置移到后缀位置，即模式串3号位与主串的当前位进行比较。next[5]=2
在这里插入图片描述
如果模式串7号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B A A B C "$ ，即最长公共前后缀为空集，其长度为0，则下次匹配时将模式串1号位与主串的当前位进行比较。next[6]=0

如果模式串8号位与主串当前位不匹配，找最长公共前后缀，指针前面的子串为 $" A B A A B C A "$ ，即最长公共前后缀为 $" A "$ ，其长度为1，则下次匹配时将模式串2号位与主串的当前位进行比较。next[7]=1
综上，可以得到模式串的next数组，发现没有，把主串去掉也可以得到这个数组，即下次匹配时模式串向后移动的位数与主串无关，仅与模式串本身有关。

位编号	1	2	3	4	5	6	7	8
索引	0	1	2	3	4	5	6	7
模式串	A	B	A	A	B	C	A	C
next	-1	0	0	1	1	2	0	1

next数组，即存放的是每个字符匹配失败时，对应的下一次匹配时模式串开始匹配的位置。

如何在代码里实现上述流程呢？举个栗子，蓝色方框圈出的就是公共前后缀，假设next[j]=t：

在这里插入图片描述
当 $T_j=T_t$ 时，可以得到 $n e x t [j + 1] = t + 1 = n e x t [j] + 1$ 。这个时候 $j = 4, t = 1$ (索引)；

在这里插入图片描述

当 $T_j \neq T_t$ 时，即模式串 $t$ 位置与主串(并不是真正的主串)不匹配，则将下面的那个模式串移动到 $n e x t [t]$ 位置进行比较，即 $t = n e x t [t]$ ，直到 $T_j=T_t$ 或 $t = - 1$ ，当 $t = - 1$ 时， $n e x t [j + 1] = 0$ 。这里就是 $t = n e x t [2] = 0$ ，即下次匹配时，模式串的第1位与主串当前位进行比较。

代码如下：

def getNext(substrT):
    next_list = [-1 for i in range(len(substrT))]
    j = 0
    t = -1
    while j < len(substrT) - 1:
        if t == -1 or substrT[j] == substrT[t]:
            j += 1
            t += 1
            # Tj=Tt, 则可以到的next[j+1]=t+1
            next_list[j] = t
        else:
            # Tj!=Tt, 模式串T索引为t的字符与当前位进行匹配
            t = next_list[t]
    return next_list


def KMP(substrS, substrT, next_list):
    count = 0
    j = 0
    t = 0
    while j < len(substrS) and t < len(substrT):
        if substrS[j] == substrT[t] or t == -1:
            # t == -1目的就是第一位匹配失败时
            # 主串位置加1, 匹配串回到第一个位置(索引为0)
            # 匹配成功, 主串和模式串指针都后移一位
            j += 1
            t += 1
        else:
            # 匹配失败, 模式串索引为t的字符与当前位进行比较
            count += 1
            t = next_list[t]
    if t == len(substrT):
        # 这里返回的是索引
        return j - t, count+1
    else:
        return -1, count+1

3. KMP算法优化版

上面定义的next数组在某些情况下还有些缺陷，发现没有，在第一个图中，我们还可以跳过第3次匹配，直接进行第4次匹配。为了更好地说明问题，我们以下面这种情况为例，来优化一下KMP算法。假设主串 $S = A A A B A A A A B$ ，模式串 $T = A A A A B$ ，按照KMP算法，匹配过程如下：

在这里插入图片描述
可以看到第2、3、4次的匹配是多余的，因为我们在第一次匹配时，主串 $S$ 的4号位为模式串 $T$ 的4号位就已经比较了，且 $T_3 \neq S_3$ ，又因为模式串 $T$ 的4号位与其1、2、3号位的字符一样，即 $T_3=T_2=T_1=T_0 \neq S_3$ ，所以可以直接进入第5次匹配。
那么，问题出在哪里？？？我们结合着next数组看一下：

位编号	1	2	3	4	5
索引	0	1	2	3	4
模式串	A	A	A	A	B
next	-1	0	1	2	3

问题在于，当 $T_j \neq S_j$ 时，下次匹配的必然是 $T_{next[j]}$ 与 $S_j$ ，如果这时 $T_{next[j]} = T_j$ ，那么又相当于 $T_j$ 与 $S_j$ 进行比较，因为它们的字符一样，毫无疑问，这次匹配是没有意义的，应当将 $n e x t [j]$ 的值直接赋值为-1，即遇到这种情况，主串与模式串都从下一位开始比较。
所以，我们要修正一下next数组。
大致流程和上面求解next数组时一样，这里就是多了一个判别条件，如果在匹配时出现了 $T_{next[j]} = T_j$ ，我们就将next[j]更新为next $\Big[$ next[j] $\Big]$ ，直至两者不相等为止(相当于了迭代)。在代码里面实现就是，如果某个字符已经相等或者第一个next[j]数组值为-1(即 $t = - 1$ )，且主串和模式串指针各后移一位时的字符仍然相同，那么就将当前的next[j]值更新为上一个next[j]数组值，更新后的数组命名为nextval。

代码如下：

def getNextval(substrT):
    nextval_list = [-1 for i in range(len(substrT))]
    j = 0
    t = -1
    while j < len(substrT) - 1:
        if t == -1 or substrT[j] == substrT[t]:
            j += 1
            t += 1
            if substrT[j] != substrT[t]:
                # Tj=Tt, 但T(j+1)!=T(t+1), 这个就和next数组计算时是一样的
                # 可以得到nextval[j+1]=t+1
                nextval_list[j] = t
            else:
                # Tj=Tt, 且T(j+1)==T(t+1), 这个就是next数组需要更新的
                # nextval[j+1]=上一次的nextval_list[t]
                nextval_list[j] = nextval_list[t]
        else:
            # 匹配失败, 模式串索引为t的字符与当前位进行比较
            t = nextval_list[t]
    return nextval_list

对KMP的优化其实就是对next数组的优化，修正后的next数组，即nextval数组如下：

位编号	1	2	3	4	5
索引	0	1	2	3	4
模式串	A	A	A	A	B
nextval	-1	-1	-1	-1	3

下面就测试一下：

if __name__ == '__main__':
    S1 = 'ABACABAB'
    T1 = 'ABAB'
    S2 = 'AAABAAAAB'
    T2 = 'AAAAB'

    print('*' * 50)
    print('主串S={0}与模式串T={1}进行匹配'.format(S1, T1))

    print('{:*^25}'.format('KMP'))
    next_list1 = getNext(T1)
    print('next数组为: {}'.format(next_list1))
    index1_1, count1_1 = KMP(S1, T1, next_list1)
    print('匹配到的位置(索引): {}, 匹配次数: {}'.format(index1_1, count1_1))

    print('{:*^25}'.format('KMP优化版'))
    nextval_list1 = getNextval(T1)
    print('nextval数组为: {}'.format(nextval_list1))
    index1_2, count1_2 = KMP(S1, T1, nextval_list1)
    print('匹配到的位置(索引): {}, 匹配次数: {}'.format(index1_2, count1_2))

    print('')
    print('*' * 50)
    print('主串S={0}与模式串T={1}进行匹配'.format(S2, T2))

    print('{:*^25}'.format('KMP'))
    next_list2 = getNext(T2)
    print('next数组为: {}'.format(next_list2))
    index2_1, count2_1 = KMP(S2, T2, next_list2)
    print('匹配到的位置(索引): {}, 匹配次数: {}'.format(index2_1, count2_1))

    print('{:*^25}'.format('KMP优化版'))
    nextval_list2 = getNextval(T2)
    print('nextval数组为: {}'.format(nextval_list2))
    index2_2, count2_2 = KMP(S2, T2, nextval_list2)
    print('匹配到的位置(索引): {}, 匹配次数: {}'.format(index2_2, count2_2))

运行结果如下：

在这里插入图片描述

运行的结果和我们分析的是一样的，不修正next数组时，主串 $S = A B A C A B A B$ 与模式串 $T = A B A B$ 匹配时需要4次，主串 $S = A A A B A A A A B$ 与模式串 $T = A A A A B$ 匹配时需要5次；修正next数组后，主串 $S = A B A C A B A B$ 与模式串 $T = A B A B$ 匹配时需要3次，主串 $S = A A A B A A A A B$ 与模式串 $T = A A A A B$ 匹配时仅需要2次。