查找文件中重复次数最多的序列

Question

我有一个带有一些二进制序列[010101 ...]的文件，我想在文件中得到最多的5位序列。我的文件

例子：

00010111000100100100100100100101110101010100011001010111011100010 

我已经通过生成所有可能的序列开始，也就是说，如果我走前7位，我会得到以下顺序：

00010 00101 01011 

现在我正在寻找一种方法来计算文件中每个序列的出现次数。

请帮忙吗？

Answer 1

如果你用perl，你可以去这样的事情：

use strict; 
use warnings; 

my $str = '00010111000100100100100100100101110101010100011001010111011100010'; 

# create list of all substrings of length 5 
my @sequences = map { substr $str, $_, 5 } 0..length($str) - 5; 

# build hash of counts for each substring 
my %counts; 
++$counts{$_} for @sequences; 

# take key corresponding to the maximum value in counts 
my ($max) = sort { $counts{$b} <=> $counts{$a} } keys %counts; 

print "$max\n"; 

输出：

10010 

Answer 2

随着awk和UNIX utils的：

count.awk

{ 
    for(i=0;i<=length($0)-5;i++) { 
     a[substr($0,i,5)]++ 
    } 
} 
END{for(i in a){print i, a[i]}} 

称之为：

awk -f count.awk input.file | sort -k2 

这给你所有的5个序列的排序列表。如果你想只是最频繁使用：

awk -f count.awk input.file | sort -k2 | tail -n1 | cut -d' ' -f1 

---

顺便说一句，你也可以使用一个awk脚本，但海事组织上述工具的组合为您提供了更多的灵活性。

只是为了完整性：

count.awk：

{ 
    for(i=0;i<=length($0)-5;i++){ 
     a[substr($0,i,5)]++ 
    } 
} 
END { 
    for(i in a) { 
     if(a[i]>=a[m] || !m) { 
      m=i 
     } 
    } 
    print m 
}