Question

我想知道，如果我有一个从文本文件中读取的字符串，那么将它分成5个字符组的最有效方法是什么？例如：

我有一个名为dna.txt的文本文件，其内容为：

>human
ACCGTGAAAAACGTGAGTATA
>mouse
ACCAAAAGTGTAT

然后我有一个Python脚本，它将存储文本文件的第2行和第4行。

import linecache
f = open("dna.txt")
sequence_1 = linecache.getline('dna.txt', 2)
sequence_2 = linecache.getline('dna.txt', 4)
f.close()

目标是打印出程序：

>human
ACCGT
GAAAA
ACGTG
AGTAT
A
>mouse
ACCAA
AAGTG
TAT

就像我之前说过的那样，我一直试图想出一种打破2弦的有效方法，但没有运气。非常感谢帮助，谢谢！

Answer 1

这应该让你开始：

human = "ACCGTGAAAAACGTGAGTATA"
print(' '.join(human[i:i+5] for i in range(0, len(human), 5)))

很容易将其概括为一个生成器，它将human和5作为参数并生成子字符串：

def splitn(s, n):
    for i in range(0, len(s), n):
        yield s[i:i+n]

print(' '.join(splitn("ACCGTGAAAAACGTGAGTATA", 5)))

Answer 2

>>> human = 'ACCGTGAAAAACGTGAGTATA'
>>> mouse = 'ACCAAAAGTGTAT'
>>> import re
>>> def format_dna(s):
...     return re.sub(r'(.{5})(?!$)', r'\g<1>\n', s)
...
>>> print(format_dna(human))
ACCGT
GAAAA
ACGTG
AGTAT
A
>>> print(format_dna(mouse))
ACCAA
AAGTG
TAT

re.sub在字符串中执行正则表达式替换。

(.{5})(?!$)是要匹配的模式。 \g<1>\n是替代的模式。

.{5}匹配任意五个字符。使用parens (.{5})它是一个捕获组。

$匹配字符串的结尾。 (?!$)是一个负面的先行断言。如果字符串的长度是五的倍数（这会导致在字符串末尾添加不需要的换行符），这可以防止模式匹配最后一个组。

\g<1>是一个反向引用，指向第一个（也是唯一的）捕获组。

所以这说：当你连续看到五个字符（不是最后五个字符）时，用五个字符加一个换行符替换它们。

Answer 3

在使用之前，请查看我在撰写本文时发布的其他答案。这是一种简单且非常次优的算法。

效率不高但你可以通过简单的循环来实现。

str = "abcdefghijlkmnopqrstuvwxyz"
length = len(str)
i = 0
subs = []
while (i < length):
    subs[i/5] = str[i:i+5]
    i += 5

这应该以包含五个字符的每个subs索引结束。

Answer 4

在较旧版本的Python中，您可以使用生成器表达式或列表解析相当容易地完成此操作。对于字符串中的任何字符串s和索引i，表达式s[i:i+5]将从位置s开始计算为最大长度为5的i子字符串。< / p>

如果i+5恰好指向字符串末尾，则切片表示法会方便地抑制任何索引错误，只返回它可以使用的最长字符串。

所以表达式

[sequence_1[i:i+5] for i in range((0, len(sequence_1), 5)]

应该为您提供所需子串的列表。

Answer 5

>>> def groupdna(long_seq,size=5):
...     groups = itertools.izip_longest(*[iter(long_seq)]*size,fillvalue="")
...     return list(map("".join,groups))
...
>>> groupdna(human,5)
['ACCGT', 'GAAAA', 'ACGTG', 'AGTAT', 'A']
>>> groupdna(mouse,5)
['ACCAA', 'AAGTG', 'TAT']
>>>

是一种有趣的方式：P

Answer 6

In [1]: import re

In [2]: s = "ACCGTGAAAAACGTGAGTATA"

In [3]: print("\n".join(re.findall("\w{5}|\w+",s))) 
ACCGT
GAAAA
ACGTG
AGTAT
A

re.findall("\w{5}|\w+",s)找到5个字符或一个或多个字符。

一些时间：

In [72]: %timeit "\n".join(groupdna(s,5))
100000 loops, best of 3: 3.5 µs per loop

In [73]: timeit ('\n'.join(splitn(s, 5)))
100000 loops, best of 3: 2.22 µs per loop

In [74]: %timeit re.sub(r'(.{5})(?!$)', r'\g<1>\n', s)
100000 loops, best of 3: 5.24 µs per loop

In [75]: %timeit ("\n".join(re.findall("\w{5}|\w+",s)))
100000 loops, best of 3: 2.16 µs per loop

将字符串拆分为“x”长度的组

6 个答案: