python - 为什么我的 for 循环(python)在 4 次迭代后会改变行为？

Question

我正在尝试编写一个程序来移动 DNA 序列的定义长度的元素，但我无法理解我从循环中获得的输出。对于循环的前四次迭代，它似乎可以很好地移码，然后似乎恢复到旧序列。我已经非常努力地理解这种行为，但我对编程还太陌生，无法解决这个问题，非常感谢任何帮助。

这是我的代码:

seq = "ACTGCATTTTGCATTTT"

search = "TGCATTTTG"

import regex as re

def kmers(text,n):
  for a in text:
    b = text[text.index(a):text.index(a)+n]
    c = len(re.findall(b, text, overlapped=True))
    print ("the count for " + b + " is " + str(c))

(kmers(seq,3))

和我的输出:

the count for ACT is 1
the count for CTG is 1
the count for TGC is 2
the count for GCA is 2
#I expected 'CAT' next, from here on I don't understand the behaviour

the count for CTG is 1 
the count for ACT is 1
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for GCA is 2
the count for CTG is 1
the count for ACT is 1
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2

显然，最终我想删除重复项等，但由于我的 for 循环无法按我预期的方式工作而陷入困境，这让我无法继续改进。

谢谢

Answer 1

text.index 总是返回找到的第一个索引。由于您逐个字母地迭代 seq，因此当您第一次点击之前找到的字母时，您会得到奇怪的结果。

第 5 个字母是第一个重复的 c，因此 text.index('c') 返回第一个 c< 的索引、1，而不是您预期的 4 - 并且您复制了上次点击 c 的时间。

这种方法效率低下 - 你似乎对跨索引移动比字母更感兴趣，所以我会使用:

for a in range(len(text)-(n-1)):
    b = text[a:a+n]
    c = len(re.findall(b, text, overlapped=True))
    print ("the count for " + b + " is " + str(c))

而不是每次都搜索索引，这既低效又会产生错误的结果。 findall 在这里也是一种低效的计数方式 - 可以构造一个字典，特别是 defaultdict 来更有效地计数。

请注意，您可以使用一些不错的内置函数:

>>> from collections import Counter
>>> seq='ACTGCATTTTGCATTTT'
>>> Counter((seq[i:i+3] for i in range(len(seq)-2)))
Counter({'TTT': 4, 'TGC': 2, 'GCA': 2, 'CAT': 2, 'ATT': 2, 'ACT': 1, 'CTG': 1, 'TTG': 1})

最后的命中是字符串结束的地方，你可以忽略它们。