匹配和索引所有子字符串，包括重叠的

Posted 2023-02-23

【中文标题】匹配和索引所有子字符串，包括重叠的

【英文标题】：Match and index all substrings, including overlapping ones

【发布时间】：2015-05-13 23:24:46

【问题描述】：

我正在尝试使用new regex findall 为匹配项编制索引，以便可以考虑重叠匹配项。但是，我只能找到匹配项，但无法正确给出它们的位置。

我的代码：

import regex as re
seq = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"
xx=re.findall(substring,seq,overlapped=True)
print xx

xx 看起来像

['GTTTGCAG', 'GTTTGCAG']

因为在 10-17 和 25-32 位置有两场比赛。

但是，请问我怎样才能获得这些数字？通过检查 dir(xx)，我没有可以在这个新函数中使用的 start/end/pos。 （我尝试了 xx.index(substring)，但这似乎只给出了结果列表的索引：例如在这种情况下为 0 和 1）

谢谢。

【参考方案1】：

使用re.finditer，可以获得起始位置：

import re
seq = "blahblahblahLALALAblahblahLALA"
substring="LALA"
lenss=len(substring)
overlapsearch="(?=(\\"+substring+"))"
xx=[[x.start(),x.start()+lenss] for x in list(re.finditer(overlapsearch,seq))]
check=[seq[x[0]:x[1]] for x in xx]
print xx
print check

结果：

[[12, 16], [14, 18], [26, 30]]
['LALA', 'LALA', 'LALA']

使用原始示例的结果：

[[9, 17], [24, 32]]
['GTTTGCAG', 'GTTTGCAG']

在子字符串搜索中添加“？=”告诉正则表达式下一个匹配可以使用上一个匹配中的字符

【讨论】：

Hackishly 修复了重叠问题，我认为 ;)

【参考方案2】：

如果您不使用正则表达式，则可以使用可选的 start 参数重复调用 string.find()。

例如：

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"

def find_endpoints(seq, sub):
    off = 0
    matches = []
    while True:
        idx = seq.find(substring, off)
        if idx == -1: break
        matches.append((idx, idx+len(sub)))
        off = idx + 1
    return matches

for (s,e) in find_endpoints(sequence, substring):
    print(s, e, sequence[s:e])

输出：

(9, 17, 'GTTTGCAG')
(24, 32, 'GTTTGCAG')

注意：(s,e) 是子字符串的开始索引（包括）和结束索引（不包括）。

【讨论】：

谢谢@jedwards。感谢您的帮助。

【参考方案3】：

这对长度等于模式长度的子字符串进行迭代，并与我们的模式进行比较。如果它们相同，它会记住字符串中的开始和结束索引。它是简单的列表理解。

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring = "GTTTGCAG"

def find_indexes(seq, sub):
    return [(sub, i, len(sub)+i) for i in range(0, len(seq), 1) if seq[i:len(sub)+i] == sub]

print find_indexes(sequence, substring)

输出：

[('GTTTGCAG', 9, 17), ('GTTTGCAG', 24, 32)]

【讨论】：

解释可能对阅读本文的人有用。否则可能是一段随机码

谢谢@WuJo。感谢您的帮助。

我认为这是一种简洁的非正则表达式方法。而且我总是喜欢 pythony 列表理解解决方案！ :)