python - 计算文件中包含每个子字符串的行数

Question

所以我编写了这段代码来查找字符串中的子字符串(长度为 k)。我希望它检查 466 个字符串(来自通过 pc 打开的文件)，如果存在子字符串，请将 1 添加到子字符串-string 字典 proteinCDict，因此基本上计算子字符串出现了多少个序列。显然它不起作用:

import operator

proteinCDict = {}
for i in range(0, 466):
    record = []
    pc.readline()
    sequence = pc.readline()
    for j in range(0, len(sequence)-k):
        if((sequence[j:j+k] in proteinCDict) and\
           (sequence[j:j+k] not in record)):
            record.append(sequence[j:j+k])
            proteinCDict[sequence[j:j+k]] += 1
        else:
            record.append(sequence[j:j+k])
            proteinCDict[sequence[j:j+k]] = 1

proteinCDict =  sorted(proteinCDict.items(), key=operator.itemgetter(1))
print(proteinCDict)

我所面临的问题通过一个特定的案例来说明，当k=7时，出现频率最高的子串低于k=8时。这不应该是这样的，因为 k=8 中频率最高的子串可以分成两个长度为 7 的子串。那么我哪里错了？

编辑:每一行都是一个空格，因此我调用了 readline() 2 次。

Answer 1

首先，对您的代码进行一些评论:

• 我看到的主要问题是，通过遍历 range(0, len(sequence)-k)，您将跳过子序列 sequence[len(sequence)- k:].

• 如果您要打开一个文件，您应该使用 with 语句。

• 除了使用 range，您还可以直接遍历文件对象以获取其行。

• 对于与计数相关的任何事情，collections.Counter 可能更适合。

• 要跟踪在一行中看到了哪些子序列，set 是比 list 更适合的数据结构，因为它允许恒定时间查找。

以下解决方案使用Counter，然后您可以使用Counter.most_common 按出现次数对子序列进行排序。

代码

import collections

def count_in_file(filename, k):
    counter = collections.Counter()

    with open(filename, 'r') as f:
        for line in f:
            line = line.strip()

            line_sequences = set(line[i:i+k] for i in range(len(line) + 1 - k))

            for seq in line_sequences:
                counter[seq] += 1

    return counter

counter = count_in_file('test_file.txt', 3)

print(counter.most_common())

测试文件

ABCABC

BCA

输出

[('BCA', 2), ('CAB', 1), ('ABC', 1)]