Question

我正在寻找一种算法，最好用Python来帮助我找到最接近目标字符串N字符长的现有字符串（N字符长）的子字符串。

将目标字符串（即4个字符长）视为：

targetString -> '1111'

假设这是我可以使用的字符串（我将为“最佳对齐”匹配生成此字符串）：

nonEmptySubStrings -> ['110101']

以上4个字符的子串：

nGramsSubStrings -> ['0101', '1010', '1101']

我想编写/使用“Magic Function”来选择最接近targetString的字符串：

someMagicFunction -> ['1101']

更多例子：

nonEmptySubStrings -> ['101011']
nGramsSubStrings -> ['0101', '1010', '1011']

someMagicFunction -> ['1011']

nonEmptySubStrings -> ['10101']
nGramsSubStrings -> ['0101', '1010']

someMagicFunction -> ['0101', '1010']

这个“魔术功能”是一个众所周知的子串问题吗？

我真的很想找到分钟。 nonEmptySubStrings中的更改次数，以便将targetString作为子字符串。

Answer 1

我相信你需要Edit Distance。 Peter Norvig's spelling corrector是python中的一个实现示例。这是一个implementation of Levenshtein Distance。另请参阅this question。

编辑：这在生物信息学中相当频繁。参见例如FASTA和BLAST。生物信息学有许多种类的算法。有关方法的调查，请参阅Sequence Alignment。

Answer 2

作为前一段时间关于基因匹配的讨论的一部分，我写了this pyparsing example，实现了一个pyparsing类CloseMatch。通常，pyparsing表达式返回包含匹配字符串和任何命名结果的结构，但CloseMatch返回包含匹配字符串的2元组和匹配字符串中的不匹配位置列表。以下是CloseMatch的使用方法：

searchseq = CloseMatch("TTAAATCTAGAAGAT", 3)
for g in genedata: 
    print "%s (%d)" % (g.id, g.genelen) 
    print "-"*24 
    for t,startLoc,endLoc in searchseq.scanString(g.gene): 
        matched, mismatches = t[0] 
        print "MATCH:", searchseq.sequence 
        print "FOUND:", matched 
        if mismatches: 
            print "      ", ''.join(' ' if i not in mismatches else '*'  
                            for i,c in enumerate(searchseq.sequence)) 
        else: 
            print "<exact match>" 
        print "at location", startLoc

以下是部分匹配的示例输出：

organism=Toxoplasma_gondii_RH (258)
------------------------
MATCH: TTAAATCTAGAAGAT
FOUND: TTAAATTTAGGAGCT
             *   *  * 
at location 195

请注意，此类未找到重叠匹配项。这仍然可以完成，但是使用scanString的方法略有不同（我将在下一个pyparsing版本中包含这个方法）。

Answer 3

根据OP的评论提问，这是所希望的

import functools

def edit_distance(str1, str2): 
    #implement it here

f = functools.operator(edit_distance, target_string)
return min(f(s) for s in slices(string_))   # use slices from below

这将返回任何子字符串到目标字符串的最小编辑距离。它不会指示哪个字符串或其索引是什么。它可以很容易地修改所以尽管如此。

天真的方式，这可能是最好的方式，是

import functools

def diff(str1, str2):
    # However you test the distance gets defined here. e.g. Hamming distance, 
    # Levenshtein distance, etc.


def slices(string_, L):
    for i in xrange(len(string_) - L + 1)):
        yield string_[i:i+L]

best_match = min(slices(string_), key=functools.partial(diff, target_string))

这不会返回发生子字符串的索引。当然你没有在你的问题中指明你需要它;）

如果你想要比这更好，它将取决于你如何测量距离，并且基本上归结为避免检查一些子串通过推断你必须改变至少x个字符以获得更好的匹配比你已经拥有的。那时，您可以通过跳过x字符来改变x字符。

找到与目标字符串N字符长度最小距离的“N Gram”子字符串

3 个答案: