在我的程序中,我有一个这样的字符串:
ag ct oso gcota
使用python,我的目标是摆脱空白区域,只保留a,t,c和g字符。 我理解如何摆脱空白区域(我只是使用line = line.replace(“”,“”))。但是,如果它们可能是字母表中的任何其他字母,我怎么能摆脱我不需要的字符呢?
答案 0 :(得分:13)
一种非常优雅和快速的方法是使用正则表达式:
import re
str = 'ag ct oso gcota'
str = re.sub('[^atcg]', '', str)
"""str is now 'agctgcta"""
答案 1 :(得分:4)
我可能会这样做:
chars_i_want = set('atcg')
final_string = ''.join(c for c in start_string if c in chars_i_want)
这可能是最简单的方法。
另一个选择是使用str.translate
来完成工作:
import string
chars_to_remove = string.printable.translate(None,'acgt')
final_string = start_string.translate(None,chars_to_remove)
我不确定哪个会表现得更好。需要通过timeit
定时才能明确了解。
更新:计时!
import re
import string
def test_re(s,regex=re.compile('[^atgc]')):
return regex.sub(s,'')
def test_join1(s,chars_keep=set('atgc')):
return ''.join(c for c in s if c in chars_keep)
def test_join2(s,chars_keep=set('atgc')):
""" list-comp is faster, but less 'idiomatic' """
return ''.join([c for c in s if c in chars_keep])
def translate(s,chars_to_remove = string.printable.translate(None,'acgt')):
return s.translate(None,chars_to_remove)
import timeit
s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
print func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func))
可悲的是(对我而言),regex
在我的机器上获胜:
test_re 0.901512145996
test_join1 6.00346088409
test_join2 3.66561293602
translate 1.0741918087
答案 2 :(得分:2)
人们在upvoting之前测试了mgilson的test_re()函数吗? re.sub()的参数是相反的,所以它在空字符串中进行替换,并且总是返回空字符串。
我在python 3.4中工作; string.translate()只接受一个参数,一个字典。因为构建这个dict有开销,所以我把它移出了函数。公平地说,我还将正则表达式编译移出了函数(这没有明显的区别)。
import re
import string
regex=re.compile('[^atgc]')
chars_to_remove = string.printable.translate({ ord('a'): None, ord('c'): None, ord('g'): None, ord('t'): None })
cmap = {}
for c in chars_to_remove:
cmap[ord(c)] = None
def test_re(s):
return regex.sub('',s)
def test_join1(s,chars_keep=set('atgc')):
return ''.join(c for c in s if c in chars_keep)
def test_join2(s,chars_keep=set('atgc')):
""" list-comp is faster, but less 'idiomatic' """
return ''.join([c for c in s if c in chars_keep])
def translate(s):
return s.translate(cmap)
import timeit
s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
print(func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func)))
以下是时间:
test_re 3.3141989699797705
test_join1 2.4452173250028864
test_join2 2.081048655003542
translate 1.9390292020107154
太糟糕了,string.translate()没有选项来控制如何处理不在地图中的字符。当前的实现是保留它们,但是我们也可以选择删除它们,如果我们想要保留的字符远远少于我们要删除的字符(哦,你好,unicode)。