python - 提取子字符串模式

Question

我有 1200 个序列的长文件

>3fm8|A|A0JLQ2
CFLVNLNADPALNELLVYYLKEHTLIGSANSQDIQLCGMGILPEHCIIDITSEGQVMLTP
QKNTRTFVNGSSVSSPIQLHHGDRILWGNNHFFRLNLP


>2ht9|A|A0JLT0
LATAPVNQIQETISDNCVVIFSKTSCSYCTMAKKLFHDMNVNYKVVELDLLEYGNQFQDA
LYKMTGERTVPRIFVNGTFIGGATDTHRLHKEGKLLPLVHQCYL

我想读取每个可能的模式，中间有半胱氨酸，开头有五个字符串，后面跟着其他五个字符串，例如 xxxxxCxxxxx

输出应该是这样的:

• QDIQLCGMGIL
• ILPEHCIIDIT
• TISDNCVVIFS
• FSKTSCSYCTM

这是只给出 C 位置的程序。它不像我想要的那样工作

pos=[]

def find(ch,string1):

    for i in range(len(string1)):
        if ch == string1[i]:
            pos.append(i)
            return pos



z=find('C','AWERQRTCWERTYCTAAAACTTCTTT')

print z

Answer 1

你需要在循环外返回，你在第一次匹配时返回，所以你只会在你的列表中得到一个字符:

def find(ch,string1):  
    pos = []
    for i in range(len(string1)):
        if ch == string1[i]:
            pos.append(i)
    return pos # outside

您还可以使用 enumerate用列表组件代替范围逻辑:

def indexes(ch, s1):  
    return [index for index, char in enumerate(s1)if char == ch and 5 >= index <= len(s1) - 6]

列表 comp 中的每个 index 都是字符索引，每个 char 都是实际字符，所以我们保留每个索引，其中 char 等于 ch。

如果你想要两边的五个字符:

In [24]: s="CFLVNLNADPALNELLVYYLKEHTLIGSANSQDIQLCGMGILPEHCIIDITSEGQVMLTP QKNTRTFVNGSSVSSPIQLHHGDRILWGNNHFFRLNLP"

In [25]: inds = indexes("C",s)

In [26]: [s[i-5:i+6] for i in inds]
Out[26]: ['QDIQLCGMGIL', 'ILPEHCIIDIT']

我添加了检查索引，因为如果索引 < 5 并且从末尾开始相同，我们显然无法在 C 之前获取五个字符。

您可以在一个函数中完成所有操作，在找到匹配项时生成一个切片:

def find(ch, s):
    ln = len(s)
    for i, char in enumerate(s):
        if ch == char and 5 <= i <= ln - 6:
            yield s[i- 5:i + 6]

假设您问题中的数据实际上是来自 yoru 文件的两行，例如:

s="""">3fm8|A|A0JLQ2CFLVNLNADPALNELLVYYLKEHTLIGSANSQDIQLCGMGILPEHCIIDITSEGQVMLTPQKNTRTFVNGSSVSSPIQLHHGDRILWGNNHFFRLNLP
>2ht9|A|A0JLT0LATAPVNQIQETISDNCVVIFSKTSCSYCTMAKKLFHDMNVNYKVVELDLLEYGNQFQDALYKMTGERTVPRIFVNGTFIGGATDTHRLHKEGKLLPLVHQCY"""

运行:

for line in s.splitlines():
    print(list(find("C" ,line)))

会输出:

['0JLQ2CFLVNL', 'QDIQLCGMGIL', 'ILPEHCIIDIT']
['TISDNCVVIFS', 'FSKTSCSYCTM', 'TSCSYCTMAKK']

这给出了 6 个匹配项，而不是预期输出建议的 4 个匹配项，因此我认为您没有包括所有可能的匹配项。

您还可以使用 str.find 加速代码, 从最后一个匹配索引开始 + 1 为每个后续匹配

def find(ch, s):
    ln, i = len(s) - 6, s.find(ch)
    while 5 <= i <= ln:
        yield s[i - 5:i + 6]
        i = s.find(ch, i + 1)

这将给出相同的输出。当然，如果字符串不能重叠，您每次都可以开始在字符串中更远的地方寻找下一个匹配项。