将字符串列表拆分为与字符串不同列表匹配的位置

我写了一个小程序来执行以下操作。我想知道是否有明显更优化的解决方案：将字符串列表拆分为与字符串不同列表匹配的位置

1）取2个字符串列表。通常，第二个列表中的字符串将比第一个列表中的字符串长，但不保证

2）返回从第二个列表派生的字符串列表，该列表已从第一个列表中删除任何匹配的字符串。因此，该列表将包含< =第二个列表中字符串的长度。

下面我显示的内容我谈论的图片例如：

到目前为止，我这就是我。它似乎工作正常，但我只是好奇，如果有一个更优雅的解决方案，我错过了。顺便说一下，我会跟踪字符串每个开始和结束的“位置”，这对于本程序的后续部分很重要。

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

输出示例：

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)])

来源

2016-08-31 lstbl

'string.split（）'接受一个子串分隔符。你的算法看起来像你可以迭代分隔字符串。 –

让我们来定义这个字符串，s，并且该字符串列表list1删除：

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

现在，让我们去掉那些字符串：

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

上面的一个强大功能是list1中的字符串可以包含正则表达式活动字符。这也可能是不可取的。正如约翰·拉ROOY在评论中指出，在list1字符串可以处于非活动状态与：

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

来源

2016-08-31 00:47:23 John1024

在你加入之前，你应该总是're'escape（）'list1'的项目。 –

@JohnLaRooy好点。我喜欢正则表达式的角色，但你绝对正确，不是每个人都会这样做。回答用're.escape'解决方案更新。 – John1024

使用正则表达式简化了代码，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)))

得到这样的位置（您需要将您的偏移量添加到这些）

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

得到新的字符串这样

>>> [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']

来源

2016-08-31 01:04:55

将字符串列表拆分为与字符串不同列表匹配的位置

回答

相关问题