如何用R检查字符串是否含参考向量中达标长度的连续字符

给定字符向量和最小阈值：

ref_vector <- c("R", "H", "K")
min_thres <- 5

需要实现：检查输入字符串是否包含仅由ref_vector中字符组成的连续子序列，且该子序列长度≥min_thres。

示例说明 #

以下是测试字符串及对应结果：

x1 <- "GMRRRRRRRS"    # 结果：TRUE
#        *****
#         *****
#          *****

x2 <- "GKRKRRHRRS"    # 结果：TRUE
#       *****
#        *****
#         *****
#          *****

x3 <- "GKRKARHQRS"    # 结果：FALSE
#       *** ** *

输入字符串、ref_vector的内容和长度均可动态变化，如何用R实现该功能？

方法1：正则表达式匹配 #

将ref_vector中的字符拼接成正则字符类，直接匹配连续出现≥指定长度的目标字符序列：

check_seq <- function(x, ref_vec, min_len) {
  # 构造匹配规则：连续出现min_len次及以上的ref_vec字符
  pattern <- paste0("[", paste(ref_vec, collapse = ""), "]{", min_len, ",}")
  # 检查字符串是否存在匹配
  grepl(pattern, x)
}

# 测试示例
check_seq(x1, ref_vector, min_thres) # TRUE
check_seq(x2, ref_vector, min_thres) # TRUE
check_seq(x3, ref_vector, min_thres) # FALSE

方法2：拆分字符后计算连续匹配长度 #

拆分字符串为单个字符，通过游程编码计算连续符合条件的字符长度，判断是否存在达标段：

check_seq <- function(x, ref_vec, min_len) {
  # 拆分字符串为单个字符向量
  chars <- strsplit(x, "")[[1]]
  # 标记每个字符是否属于目标集合
  is_match <- chars %in% ref_vec
  # 计算连续匹配的游程长度
  run_info <- rle(is_match)
  # 检查是否存在连续匹配且长度达标段
  any(run_info$values & run_info$lengths >= min_len)
}

# 测试示例
check_seq(x1, ref_vector, min_thres) # TRUE
check_seq(x2, ref_vector, min_thres) # TRUE
check_seq(x3, ref_vector, min_thres) # FALSE

内容的提问来源于stack exchange，提问作者littleworth