將字符串列表拆分爲與字符串不同列表匹配的位置

我寫了一個小程序來執行以下操作。我想知道是否有明顯更優化的解決方案：將字符串列表拆分爲與字符串不同列表匹配的位置

1）取2個字符串列表。通常，第二個列表中的字符串將比第一個列表中的字符串長，但不保證

2）返回從第二個列表派生的字符串列表，該列表已從第一個列表中刪除任何匹配的字符串。因此，該列表將包含< =第二個列表中字符串的長度。

下面我顯示的內容我談論的圖片例如：

到目前爲止，我這就是我。它似乎工作正常，但我只是好奇，如果有一個更優雅的解決方案，我錯過了。順便說一下，我會跟蹤字符串每個開始和結束的「位置」，這對於本程序的後續部分很重要。

def split_sequence(sequence = "", split_seq = "", length = 8): 
    if len(sequence) < len(split_seq): 
     return [],[] 
    split_positions = [0] 
    for pos in range(len(sequence)-len(split_seq)): 
     if sequence[pos:pos+len(split_seq)] == split_seq and pos > split_positions[-1]: 
      split_positions += [pos, pos+len(split_seq)] 
    if split_positions[-1] == 0: 
     return [sequence], [(0,len(sequence)-1)] 
    split_positions.append(len(sequence)) 
    assert len(split_positions) % 2 == 0 
    split_sequences = [sequence[split_positions[_]:split_positions[_+1]] for _ in range(0, len(split_positions),2)] 
    split_seq_positions = [(split_positions[_],split_positions[_+1]) for _ in range(0, len(split_positions),2)] 
    return_sequences = [] 
    return_positions = [] 
    for pos,seq in enumerate(split_sequences): 
     if len(seq) >= length: 
      return_sequences.append(split_sequences[pos]) 
      return_positions.append(split_seq_positions[pos]) 
    return return_sequences, return_positions 





def create_sequences_from_targets(sequence_list = [] , positions_list = [],length=8, avoid = []): 
    if avoid: 
     for avoided_seq in avoid: 
      new_sequence_list = [] 
      new_positions_list = [] 
      for pos,sequence in enumerate(sequence_list): 
       start = positions_list[pos][0] 
       seqs, positions = split_sequence(sequence = sequence, split_seq = avoided_seq, length = length) 
       new_sequence_list += seqs 
       new_positions_list += [(positions[_][0]+start,positions[_][1]+start) for _ in range(len(positions))] 
     return new_sequence_list, new_positions_list

輸出示例：

In [60]: create_sequences_from_targets(sequence_list=['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIHSRYRGSYWRTVRA', 'KGLAPAEISAVCEKGNFNVA'],positions_list=[(0, 20), (66, 86), (136, 155)],avoid=['SRYRGSYW'],length=3) 
Out[60]: 
(['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIH', 'RTVRA', 'KGLAPAEISAVCEKGNFNVA'], 
[(0, 20), (66, 74), (82, 87), (136, 155)])

來源

2016-08-31 lstbl

'string.split（）'接受一個子串分隔符。你的算法看起來像你可以迭代分隔字符串。 –

讓我們來定義這個字符串，s，並且該字符串列表list1刪除：

>>> s = 'NowIsTheTimeForAllGoodMenToComeToTheAidOfTheParty' 
>>> list1 = 'The', 'Good'

現在，讓我們去掉那些字符串：

>>> import re 
>>> re.split('|'.join(list1), s) 
['NowIs', 'TimeForAll', 'MenToComeTo', 'AidOf', 'Party']

上面的一個強大功能是list1中的字符串可以包含正則表達式活動字符。這也可能是不可取的。正如約翰·拉ROOY在評論中指出，在list1字符串可以處於非活動狀態與：

>>> re.split('|'.join(re.escape(x) for x in list1), s) 
['NowIs', 'TimeForAll', 'MenToComeTo', 'AidOf', 'Party']

來源

2016-08-31 00:47:23 John1024

在你加入之前，你應該總是're'escape（）'list1'的項目。 –

@JohnLaRooy好點。我喜歡正則表達式的角色，但你絕對正確，不是每個人都會這樣做。回答用're.escape'解決方案更新。 – John1024

使用正則表達式簡化了代碼，但它可能是也可能不是更高效。

>>> import re 
>>> sequence_list = ['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIHSRYRGSYWRTVRA', 'KGLAPAEISAVCEKGNFNVA'],positions_list=[(0, 20), (66, 86), (136, 155)] 
>>> avoid = ['SRYRGSYW'] 
>>> rex = re.compile("|".join(map(re.escape, avoid)))

得到這樣的位置（您需要將您的偏移量添加到這些）

>>> [[j.span() for j in rex.finditer(i)] for i in sequence_list] 
[[], [(8, 16)], []]

得到新的字符串這樣

>>> [rex.split(i) for i in sequence_list] 
[['MPHSSLHPSIPCPRGHGAQKA'], ['AEELRHIH', 'RTVRA'], ['KGLAPAEISAVCEKGNFNVA']]

或扁平列表

>>> [j for i in sequence_list for j in rex.split(i)] 
['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIH', 'RTVRA', 'KGLAPAEISAVCEKGNFNVA']

來源

2016-08-31 01:04:55

將字符串列表拆分爲與字符串不同列表匹配的位置

回答

相關問題