在我的節目,我有一個這樣的字符串:只使用Python保持字符串中的某些字符?
AG CT OSO gcota
使用Python,我的目標是擺脫白色空間,只保留A,T,C和G字。 我明白如何擺脫空白(我只是使用line = line.replace(「」,「」))。但是我怎樣才能擺脫我不需要的字符,當他們可以是字母表中的任何其他字母?
在我的節目,我有一個這樣的字符串:只使用Python保持字符串中的某些字符?
AG CT OSO gcota
使用Python,我的目標是擺脫白色空間,只保留A,T,C和G字。 我明白如何擺脫空白(我只是使用line = line.replace(「」,「」))。但是我怎樣才能擺脫我不需要的字符,當他們可以是字母表中的任何其他字母?
一個非常優雅和快速的方法是使用正則表達式:
import re
str = 'ag ct oso gcota'
str = re.sub('[^atcg]', '', str)
"""str is now 'agctgcta"""
我可能會做這樣的事情:
chars_i_want = set('atcg')
final_string = ''.join(c for c in start_string if c in chars_i_want)
這可能是最簡單的方式。
另一種選擇是使用str.translate
做的工作:
import string
chars_to_remove = string.printable.translate(None,'acgt')
final_string = start_string.translate(None,chars_to_remove)
我不知道這將有更好的表現。它需要通過timeit
定時來確定地知道。
更新:計時!
import re
import string
def test_re(s,regex=re.compile('[^atgc]')):
return regex.sub(s,'')
def test_join1(s,chars_keep=set('atgc')):
return ''.join(c for c in s if c in chars_keep)
def test_join2(s,chars_keep=set('atgc')):
""" list-comp is faster, but less 'idiomatic' """
return ''.join([c for c in s if c in chars_keep])
def translate(s,chars_to_remove = string.printable.translate(None,'acgt')):
return s.translate(None,chars_to_remove)
import timeit
s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
print func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func))
可悲的是(對我來說),regex
勝我的機器上:
test_re 0.901512145996
test_join1 6.00346088409
test_join2 3.66561293602
translate 1.0741918087
regex.sub()的用法不正確,因此計時錯誤。它應該是regex.sub('',s)而不是其他方式。 –
有沒有人測試mgilson的test_re ()函數在upvoting之前? re.sub()的參數是相反的,所以它是在空字符串中進行替換,並且總是返回空字符串。
我在Python 3.4中工作; string.translate()只需要一個參數,一個字典。由於在構建這個詞典時有開銷,我將它移出了該函數。公平地說,我也將正則表達式編譯從函數中移出(這並沒有引起明顯的區別)。
import re
import string
regex=re.compile('[^atgc]')
chars_to_remove = string.printable.translate({ ord('a'): None, ord('c'): None, ord('g'): None, ord('t'): None })
cmap = {}
for c in chars_to_remove:
cmap[ord(c)] = None
def test_re(s):
return regex.sub('',s)
def test_join1(s,chars_keep=set('atgc')):
return ''.join(c for c in s if c in chars_keep)
def test_join2(s,chars_keep=set('atgc')):
""" list-comp is faster, but less 'idiomatic' """
return ''.join([c for c in s if c in chars_keep])
def translate(s):
return s.translate(cmap)
import timeit
s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
print(func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func)))
這裏是計時:
test_re 3.3141989699797705
test_join1 2.4452173250028864
test_join2 2.081048655003542
translate 1.9390292020107154
這太糟糕了string.translate()沒有一個選項來控制如何處理不在地圖上的字符做。目前的實現是保留它們,但是如果我們想要保留的角色遠遠少於我們想要移除的角色(哦,你好,unicode),我們也可以選擇刪除它們。
你贏了:)(+1)。我不知道爲什麼我沒有想到這個'正則表達式'... – mgilson
我也給你+1了。你提供的第二個解決方案(str.translate)對我來說是新的:) –