Question

我有2个字符串loss of gene和aquaporin protein。在一行中，我想找到这两个是否存在于我的文件的一行中，在5个单词的附近。有任何想法吗？我已经广泛搜索但找不到任何东西。另外，由于这些是多字符串，我不能使用abs（array.index）作为两个字符串（单字可能使用）。

由于

Answer 1

我不完全确定这是否是你想要的，但我会试一试！

在Python中，您可以使用“in”来检查字符串是否在另一个字符串中。我假设您已经有办法从文件中存储一行：

"loss of gene" in fileLine -> returns boolean (either True or False)

有了这个，你可以检查你的文件中是否有“基因丢失”和“水通道蛋白”。一旦你确认他们都在那里，你可以通过将文本行分成一个列表来检查他们的接近度：

wordsList = fileLine.split()

如果在您的文本文件中有字符串：

“水通道蛋白有时可能表现出基因缺失”

分裂之后变为：

["The","aquaporin","protein","sometimes","may","exhibit","a","loss","of","gene"]

我不确定这是否是一个有效的句子但是为了举例我们忽略它：P

一旦你将文本行拆分成单词列表并确认单词在那里，你就可以接近python中列表附带的索引函数了！

wordsList.index("protein") -> returns index 2

在找到“蛋白质”的索引后，您可以查看“损失”的索引，然后减去它们以确定它们是否在5字附近。

您可以使用索引功能辨别“水通道蛋白”之前或之后“基因丢失”。如果首先出现“基因丢失”，则索引“基因”和“水通道蛋白”并减去这些指数。如果首先出现“水通道蛋白”，则将“蛋白质”和“损失”作为索引并减去这些指数。

如果单词的顺序不同，您将需要做更多的工作以确保正确地减去索引，但这应该涵盖问题的内容。祝你好运Chahat！

Answer 2

您可以尝试以下方法：

首先通过将文本转换为小写来清理文本，仅保留字符并在每个单词之间强制使用一个空格。
接下来，搜索结果文本中的每个短语，并记下起始索引和匹配短语的长度。对此索引列表排序。
接下来确保所有找到的索引都不是-1，确保文本中存在所有短语。
如果找到所有内容，则计算第一个短语结尾与最后一个短语开头之间的单词数。要执行此操作，请从第一个短语的结尾开始到第二个短语的开头，然后将其拆分为单词。

脚本如下：

import re

text = "The  Aquaporin protein, sometimes  'may' exhibit a big LOSS of gene."
text = ' '.join(re.findall(r'\b(\w+)\b', text.lower()))

indexes = sorted((text.find(x), len(x)) for x in ['loss of gene', 'aquaporin protein'])

if all(i[0] != -1 for i in indexes) and len(text[indexes[0][0] + indexes[0][1] : indexes[-1][0]].split()) <= 5:
    print "matched"

要扩展此功能以处理包含短语列表的文件，可以使用以下方法：

import re

log = 'loss of gene'
phrases = ['aquaporin protein', 'another protein']

with open('input.txt') as f_input:
    for number, line in enumerate(f_input, start=1):
        # Sanitise the line
        text = ' '.join(re.findall(r'\b(\w+)\b', line.lower()))

        # Only process lines containing 'loss of gene'
        log_index = text.find(log)

        if log_index != -1:
            for phrase in phrases:
                phrase_index = text.find(phrase)

                if phrase_index != -1:
                    if log_index < phrase_index:
                        start, end = (log_index + len(log), phrase_index)
                    else:
                        start, end = (phrase_index + len(phrase), log_index)

                    if len(text[start:end].split()) <= 5:
                        print "line {} matched - {}".format(number, phrase)
                        break

这会给你以下类型的输出：

line 1 matched - aquaporin protein
line 5 matched - another protein

请注意，每行只会发现一个短语对。

'难'确定python中2个字符串之间的接近程度

2 个答案: