只使用Python保持字符串中的某些字符？

Question

在我的節目，我有一個這樣的字符串：

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？

Answer 1

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""" 

Answer 2

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 

Answer 3

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。