Question

我尝试使用new regex findall对匹配进行索引，以便可以考虑重叠匹配。但是，我只能找到匹配项，但无法正确地为它们提供位置。

我的代码：

import regex as re
seq = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"
xx=re.findall(substring,seq,overlapped=True)
print xx

xx看起来像

['GTTTGCAG', 'GTTTGCAG']

因为在10-17和25-32位置有两场比赛。

但是我怎么能得到这些数字呢？通过检查dir（xx），我可以在这个新函数中使用没有开始/结束/ pos。（我尝试了xx.index（substring），但这似乎只给出了结果列表的索引：例如在这种情况下为0和1）

谢谢。

Answer 1

这个迭代用于长度等于模式长度的子串，并与我们的模式进行比较。如果它们是相同的，它会记住字符串中的开始和结束索引。简单的列表理解。

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring = "GTTTGCAG"

def find_indexes(seq, sub):
    return [(sub, i, len(sub)+i) for i in range(0, len(seq), 1) if seq[i:len(sub)+i] == sub]

print find_indexes(sequence, substring)

输出：

[('GTTTGCAG', 9, 17), ('GTTTGCAG', 24, 32)]

Answer 2

使用re.finditer，您可以获取起始位置：

import re
seq = "blahblahblahLALALAblahblahLALA"
substring="LALA"
lenss=len(substring)
overlapsearch="(?=(\\"+substring+"))"
xx=[[x.start(),x.start()+lenss] for x in list(re.finditer(overlapsearch,seq))]
check=[seq[x[0]:x[1]] for x in xx]
print xx
print check

结果：

[[12, 16], [14, 18], [26, 30]]
['LALA', 'LALA', 'LALA']

结果使用原始示例：

[[9, 17], [24, 32]]
['GTTTGCAG', 'GTTTGCAG']

在子字符串搜索中添加“？=”告诉正则表达式，下一个匹配项可以使用上一个匹配项中的字符

Answer 3

如果您不使用正则表达式，可以使用可选的start参数重复调用string.find()。

例如：

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"

def find_endpoints(seq, sub):
    off = 0
    matches = []
    while True:
        idx = seq.find(substring, off)
        if idx == -1: break
        matches.append((idx, idx+len(sub)))
        off = idx + 1
    return matches

for (s,e) in find_endpoints(sequence, substring):
    print(s, e, sequence[s:e])

输出：

(9, 17, 'GTTTGCAG')
(24, 32, 'GTTTGCAG')

注意：(s,e)是子字符串的起始索引（包括）和结束索引（不包括）。

匹配并索引所有子字符串，包括重叠的子字符串

3 个答案: