Question

所以我试图解决这个问题，我必须在python的某些行中找到最常用的6个字母的字符串，所以我意识到可以做这样的事情：

>>> from collections import Counter
>>> x = Counter("ACGTGCA")
>>> x
Counter({'A': 2, 'C': 2, 'G': 2, 'T': 1})

现在，我使用的数据是DNA文件，文件格式如下：

> name of the protein
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 

> another protein 
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>

我们可以先从一个蛋白质开始，但是如何修改上面的代码块以搜索最常见的6个字符的字符串模式？谢谢。

Answer 1

我认为最简单的方法就是这样做：

>>> from collections import Counter
>>> protein = "AGTTTCAGGAC"
>>> Counter(protein[i:i+6] for i in range(len(protein)-5))
Counter({'TTCAGG': 1, 'AGTTTC': 1, 'CAGGAC': 1, 'TCAGGA': 1, 'GTTTCA': 1, 'TTTCAG': 1})

Answer 2

old itertools docs（通过this answer）提供window功能，这是@Duncan答案的通用版本。

def window(seq, n=2):
    "Returns a sliding window (of width n) over data from the iterable"
    "   s -> (s0,s1,...s[n-1]), (s1,s2,...,sn), ...                   "
    it = iter(seq)
    result = tuple(islice(it, n))
    if len(result) == n:
        yield result    
    for elem in it:
        result = result[1:] + (elem,)
        yield result

然后你可以做

collections.Counter(window(x))

就个人而言，我仍然会使用字符串切片，但如果您需要，这是一个通用版本。

使用python查找频繁的字符串模式

2 个答案: