我一直在開發一個程序，該程序需要計算主字符串（~400,000 個字符）內的子字符串（列表中最多 4000 個 2-6 個字符的子字符串）。我知道這類似于在Counting substrings in a string 中提出的問題，但是，此解決方案對我不起作用。由于我的子字符串是 DNA 序列，我的許多子字符串都是單個字符（例如“AA”）的重復實例；因此，如果我用 'AA' 分割字符串，'AAA' 將被解釋為 'AA' 的單個實例而不是兩個實例。我當前的解決方案是使用嵌套循環，但我希望有一種更快的方法，因為這段代碼對于單個主字符串需要 5 分鐘以上的時間。提前致謝！def getKmers(self, kmer): self.kmer_dict = {} kmer_tuples = list(product(['A', 'C', 'G', 'T'], repeat = kmer)) kmer_list = [] for x in range(len(kmer_tuples)): new_kmer = '' for y in range(kmer): new_kmer += kmer_tuples[x][y] kmer_list.append(new_kmer) for x in range(len(kmer_list)): self.kmer_dict[kmer_list[x]] = 0 for x in range(len(self.sequence)-kmer): for substr in kmer_list: if self.sequence[x:x+kmer] == substr: self.kmer_dict[substr] += 1 break return self.kmer_dict
2 回答
慕哥9229398
TA貢獻1877條經驗 獲得超6個贊
要計算 DNA 的重疊子串，您可以使用 Biopython：
>>> from Bio.Seq import Seq
>>> Seq('AAA').count_overlap('AA')
2
免責聲明：我寫了這個方法，見 commit 97709cc。
但是，如果您正在尋找真正的高性能，Python 可能不是正確的語言選擇（盡管像 Cython 這樣的擴展可能會有所幫助）。
三國紛爭
TA貢獻1804條經驗 獲得超7個贊
當然，Python 完全能夠執行這些字符串搜索。但是，與其重新發明您需要的所有輪子，一次一個螺絲，不如使用 Python 中更專業的工具來處理您的問題 - 看起來 BioPython 項目是最積極維護和最完整的來處理這類問題。
帶有類似于您的問題的示例的簡短帖子：https : //dodona.ugent.be/nl/exercises/1377336647/
鏈接到 BioPython 項目文檔：https ://biopython.org/wiki/Documentation
（如果問題只是字符串重疊，那么第 3 方“正則表達式”模塊將是一種方法 - https://pypi.org/project/regex/ - 因為 Pythonre模塊中的內置正則表達式引擎不能處理重疊序列或者）
添加回答
舉報
0/150
提交
取消