sunday 算法python实现

同为字符串查找的算法， Sunday真的比KMP简单太多了。

理解也很简单：

下面的文字可能比较难理解，可以参考这个博主的博客理解
[字符串匹配——Sunday算法]https://blog.csdn.net/q547550831/article/details/51860017
假设有字符串 A，待比较字符串 B，需要查找 A是否包含B。

对齐A的i位置和B的0位置， i从0开始。
如果A[i] 元素和B[0]相同，就继续比较A的下一个元素和B的下一个值，比较len(B）次，就是看A这段字符串是不是B, 如果是就退出结束了。当然事情可能没这么简单，如果不是，我们就得把B往后移动, 对齐到A的后面位置去。暴力方法的话，是B每次往后移动一个位置，跟A比较一次。 KMP/BM/Sunday 这些算法都是计算位移的，即尽可能多的跳过无用的元素，减少比较的次数。
如果在第二步从i到i+len(B)-1的比较过程中有一个位置不相同，就直接去看 A[i + len(B)]是否在B中。如果不同，说明什么？此时，我们已知对齐到i位置时的A跟B不相同了，这下好了，i+len(B)的位置也不同，我们本来是应该接着从i+1位置对齐开始比较的，这下没必要了。因为假设B出现在A的i+1开始的位置，则A[i+len(B)]这个值一定会出现在B中（因为从A的i+1开始取的这段len(B)长的字符串肯定会越过A的i+len(B)的位置， i+1+len > i+len）。然而，我们已经知道A[i+len(B)]不在B中了，所以反证A[i+1]到A[i+len(B)] 这一大块肯定都不包含B，都可以跳过去了。然后，又回到了步骤1。
当然，上一步也可能A[i+len(B)] 就在B中, 假设出现在B的倒数第x个位置。这说明可能从i+1开始， A的字符串就包含B了。这里，我们也不用一步步往后移动了，直接把A的i+len(B)位置跟B的 x位置对齐不就行了吗。此时再判断A这段是否跟B相同。这样其实又回到了步骤3、4，循环往复。
退出条件是直到A中找到了B或者找到了最后也没找到，最后这段只要比较到两个字符串尾巴对齐就可以了，即len(A) - len(B)的位置。

def sunday_find(src, dst):len_src = len(src)len_dst = len(dst)i = 0while i < len_src - len_dst + 1:flag = 0shift = len_dstfor j in range(0, len_dst):if src[i+j] != dst[j]:flag = -1breakif flag == 0:return ip = dst.rfind(src[i+shift])if p == -1:shift = len_dst + 1else:shift = len_dst - pi = i + shiftreturn -1if __name__ == "__main__":text = "here_examplfe_v_example"pattern = "ple"pos = sunday_find(text, pattern)print pos

sunday 算法python实现相关推荐

字符串匹配的sunday算法
sunday算法核心思想:启发式移动搜索步长! SUNDAY 算法描述: 字符串查找算法中,最著名的两个是KMP算法(Knuth-Morris-Pratt)和BM算法(Boyer-Moore).这里介 ...
LeetCode 字符串简单部分算法 python实现
''' #2018-06-02 June Saturday the 22 week, the 153 day SZ LeetCode 字符串简单部分算法 python实现 https://leetc ...
棋盘最短路径 python_Dijkstra 最短路径算法 Python 实现
Dijkstra 最短路径算法 Python 实现问题描述使用 Dijkstra 算法求图中的任意顶点到其它顶点的最短路径(求出需要经过那些点以及最短距离). 以下图为例: 算法思想可以使用二维 ...
2021-03-15 数据挖掘算法—K-Means算法 Python版本
数据挖掘算法-K-Means算法 Python版本简介又叫K-均值算法,是非监督学习中的聚类算法. 基本思想 k-means算法比较简单.在k-means算法中,用cluster来表示簇:容易证明 ...
2021-01-28 粒子群优化算法-Python版本和Matlab函数 particleswarm 调用
粒子群优化算法-Python版本和Matlab函数 particleswarm 调用前两天分享了粒子群优化算法的原理和Matlab原理实现,本文分享一下Python代码下的PSO实现以及Matlab ...
最优化算法python实现篇（4）——无约束多维极值（梯度下降法）
最优化算法python实现篇(4)--无约束多维极值(梯度下降法) 摘要算法简介注意事项算法适用性 python实现实例运行结果算法过程可视化摘要本文介绍了多维无约束极值优化算法中的梯度 ...
最优化算法python实现篇（3）——无约束一维极值（黄金分割法）
最优化算法python实现篇(3)--无约束一维极值(黄金分割法) 算法适用问题 python实现示例运行结果算法适用问题搜索给定单峰区间的极值问题,一般对凸优化问题比较适用. python实现 ...
最优化算法python实现篇（2）—无约束一维极值（二分法）
最优化算法python实现篇(2)--无约束一维极值(二分法) 算法适用问题 python实现示例运行结果算法适用问题搜索给定单峰区间的极值问题,一般对凸优化问题比较适用. python实现 # ...
多元线性回归算法python实现_手写算法-Python代码推广多元线性回归
1.梯度下降-矩阵形式上篇文章介绍了一元线性回归,包括Python实现和sklearn实现的实例.对比,以及一些问题点,详情可以看这里: 链接: 手写算法-Python代码实现一元线性回归里面封装 ...

sunday 算法python实现

sunday 算法python实现相关推荐

最新文章

热门文章