python - 根据同一列表中的下一个项目从列表中删除项目

Question

我刚开始学习 python，这里有一个排序的蛋白质序列列表(总共 59,000 个序列)，其中一些是重叠的。例如，我在这里做了一个玩具 list :

ABCDE
ABCDEFG
ABCDEFGH
ABCDEFGHIJKLMNO
CEST
DBTSFDE
DBTSFDEO
EOEUDNBNUW
EOEUDNBNUWD
EAEUDNBNUW
FEOEUDNBNUW
FG
FGH

我想删除那些较短的重叠并只保留最长的重叠，以便所需的输出如下所示:

ABCDEFGHIJKLMNO
CEST
DBTSFDEO
EAEUDNBNUW
FEOEUDNBNUWD
FGH

我该怎么做？我的代码如下所示:

with open('toy.txt' ,'r') as f:
    pattern = f.read().splitlines()
    print pattern

    for i in range(0, len(pattern)):
        if pattern[i] in pattern[i+1]:
            pattern.remove(pattern[i])
        print pattern

我收到了错误消息:

['ABCDE', 'ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']
Traceback (most recent call last):
  File "test.py", line 8, in <module>
    if pattern[i] in pattern[i+1]:
IndexError: list index out of range

Answer 1

还有其他可行的答案，但没有一个能解释您的实际问题。您实际上非常接近有效的解决方案，而在我看来，最易读的答案是什么。

错误是因为您在使用 range() 检查索引时更改了同一个列表。

因此，在增加 i 变量的同时，您从列表中删除了在某一时刻不可避免地导致 index error 的项目。

因此，这是您的初始代码的工作版本，并进行了一些更改，

pattern = ["ABCDE","ABCDEFG","ABCDEFGH","ABCDEFGHIJKLMNO","CEST","DBTSFDE","DBTSFDEO","EOEUDNBNUW","EAEUDNBNUW","FG","FGH"]
output_pattern = []


for i in range(0, (len(pattern)-1)):
    if not pattern[i] in pattern[i+1]:
        output_pattern.append(pattern[i]) 

# Adding the last item
output_pattern.append(pattern[-1])   
print (output_pattern)

>>>> ['ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']    

请注意，如果您的列表之前按照您在评论部分中提到的那样排序，则此代码将起作用。

这段代码在做什么？

基本上，它使用与您的初始答案相同的逻辑，在列表中迭代并检查下一项是否包含当前项。但是，使用另一个列表并迭代直到 before last 项，将解决您的索引问题。但是现在有一个问题，

我应该如何处理最后一项？

由于列表已排序，您可以认为最后一项始终是唯一的。这就是我使用的原因

output_pattern.append(pattern[-1])

添加初始列表的最后一项。

重要提示

这个答案是针对 OP 最初的问题而写的，他想保持更长的重叠，我根据同一列表中的下一个项目引用 。正如@Chris_Rands 所述，如果您的担忧与生物学任务相关并且需要找到任何重叠，则此解决方案不适合您的需求。

此代码无法识别潜在重叠的示例，

pattern = ["ACD", "AD", "BACD"]

在不删除可能的 "ACD" 重叠的情况下输出相同的结果。现在，作为一个澄清，这将意味着一个更复杂的算法，我最初认为它超出了问题要求的范围。如果这是你的情况，我可能完全错了，但我真的认为 C++ 实现似乎更合适。看看@Chris_Rands 在评论部分建议的 CD-Hit 算法。