문자열 압축(python)
참고자료
문제 설명
데이터 처리 전문가가 되고 싶은 어피치는 문자열을 압축하는 방법에 대해 공부를 하고 있습니다.
최근에 대량의 데이터 처리를 위한 간단한 비손실 압축 방법에 대해 공부를 하고 있는데,
문자열에서 같은 값이 연속해서 나타나는 것을 그 문자의 개수와 반복되는 값으로 표현하여 더 짧은 문자열로 줄여서 표현하는 알고리즘을 공부하고 있습니다.
간단한 예로 aabbaccc의 경우 2a2ba3c(문자가 반복되지 않아 한번만 나타난 경우 1은 생략함)와 같이 표현할 수 있는데, 이러한 방식은 반복되는 문자가 적은 경우 압축률이 낮다는 단점이 있습니다.
예를 들면, abcabcdede와 같은 문자열은 전혀 압축되지 않습니다.
어피치는 이러한 단점을 해결하기 위해 문자열을 1개 이상의 단위로 잘라서 압축하여 더 짧은 문자열로 표현할 수 있는지 방법을 찾아보려고 합니다.
예를 들어, ababcdcdababcdcd의 경우 문자를 1개 단위로 자르면 전혀 압축되지 않지만, 2개 단위로 잘라서 압축한다면 2ab2cd2ab2cd로 표현할 수 있습니다.
다른 방법으로 8개 단위로 잘라서 압축한다면 2ababcdcd로 표현할 수 있으며, 이때가 가장 짧게 압축하여 표현할 수 있는 방법입니다.
다른 예로, abcabcdede와 같은 경우, 문자를 2개 단위로 잘라서 압축하면 abcabc2de가 되지만, 3개 단위로 자른다면 2abcdede가 되어 3개 단위가 가장 짧은 압축 방법이 됩니다.
이때 3개 단위로 자르고 마지막에 남는 문자열은 그대로 붙여주면 됩니다.
압축할 문자열 s가 매개변수로 주어질 때, 위에 설명한 방법으로 1개 이상 단위로 문자열을 잘라 압축하여 표현한 문자열 중 가장 짧은 것의 길이를 return 하도록 solution 함수를 완성해주세요.
제한 사항
- s의 길이는 1 이상 1,000 이하입니다.
- s는 알파벳 소문자로만 이루어져 있습니다.
입출력 예제
| s | result |
|---|---|
| “aabbaccc” | 7 |
| “ababcdcdababcdcd” | 9 |
| “abcabcdede” | 8 |
| “abcabcabcabcdededededede” | 14 |
| “xababcdcdababcdcd” | 17 |
나의 생각
결과가 예측이 되지 않아서 완전탐색을 생각했다.
처음에는 빈 배열을 만들어서 compress(s, i)의 결과물을 append하고 min()을 사용해서 최소 값을 구했는데 시간 초과가 발생했다.
slicing을 사용해야겠다고 생각을 하였지만, if start == s[i: i + n]:에서 i가 len(s) - 1이 되었을 때 i + n을 하기에 index out of range가 발생한다고 생각하여 for i in range(n, len(s), n):을 for i in range(n, len(s) - n, n):으로 시도했었지만 n이 s의 길이의 반을 넘어서 시작하게 되면 for문이 작동하지 않아서 실패했다.
솔루션
압축 단위를 1부터 s 길이의 반까지만 하면 된다. 압축은 이전 문자열과 압축 단위 이후의 문자열을 비교해서 같으면 카운트를 해주고,
다르면 카운트와 이전 문자열을 빈 문자열에 추가함으로서 전체 압축 문자열을 구한다. 그리고 카운트를 초기화하고, 이전 문자열을 새로 갱신한다. 주의할 점은 for문 마지막 부분에서 이전 문자열과 압축 단위 이후의 문자열이 같은 경우 카운드만 세고 빈 문자열에 추가가 되지 않기 때문에 for문 이후에 추가해야 한다.
코드
- 첫번째 코드
def compress(s, n): start = s[0:n] compressed = "" cnt = 1 for i in range(n, len(s), n): if start == s[i: i + n]: cnt += 1 else: if cnt == 1: compressed += start else: compressed += str(cnt) + start cnt = 1 start = s[i: i + n] if cnt == 1: compressed += start else: compressed += str(cnt) + start return len(compressed)def solution(s): answer = len(s) for i in range(1, len(s) // 2 + 1): answer = min(answer, compress(s, i)) return answer - 두번째 코드
- 이전 코드의 경우 compress의 함수에서 for문이 끝나고 나서 마지막 압축에 대한 부분을 if문을 통해서 문자열에 붙여줬다.
- 하지만 이 코드의 경우 zip과 words[1:] + [’‘]을 통해서 words의 마지막 요소를 빈 문자와 비교하여 마지막 압축에 대해서 추가로 문자열을 추가로 더해줄 필요가 없어졌다.
- 또한 compress함수에 인수를 전달할 때 len(text)도 보내주어 이전 코드의 answer = len(s) 부분을 없애줬다.(전체의 문자열을 보내줌으로서 전체 길이를 추가로 비교할 수 있게 되었다.)
- 그리고 압축된 문자열을 구하는 대신 길이만 구했다.
def compress(text, tok_len): words = [text[i:i+tok_len] for i in range(0, len(text), tok_len)] res = [] cur_word = words[0] cur_cnt = 1 for a, b in zip(words, words[1:] + ['']): if a == b: cur_cnt += 1 else: res.append([cur_word, cur_cnt]) cur_word = b cur_cnt = 1 return sum(len(word) + (len(str(cnt)) if cnt > 1 else 0) for word, cnt in res)def solution(text): return min(compress(text, tok_len) for tok_len in list(range(1, int(len(text)/2) + 1)) + [len(text)])
몰랐던 지식
min(compress(text, tok_len) for tok_len in list(range(1, int(len(text)/2) + 1)) + [len(text)])
이 부분에서 compress(text, tok_len)의 결과 값이 int이기 때문에 min()의 인수로 int 단 한개만 올 수 있나? 라는 생각을 했다.
python 공식 문서를 찾아보니 min()은 2개의 숫자 혹은 iterable이 필요하다고 한다.
compress(text, tok_len)뒤에 for문이 있기 때문에 iterable로 취급하지 않을까 생각된다.
list(i for i in range(1,3))의 경우는 list이기 때문에 iterable한 것으로 생각하지만 list가 없는 경우도 궁금하다.
if start == s[i: i + n]:에서 i + n이 out of range를 해도 오류가 발생하지 않는 것을 알게 되었다.
stackoverflow-질문 참고 바란다.
더 알아볼 지식
print(type(i for i in range(1, 3)))결과 generator로 나왔다.
min()의 인자로 들어간 것은 generator였다.
generator도 iterable 한가??