使用Python查找频繁字符串模式

Question

我正在尝试解决一个问题，要求我在一些行中找到最常出现的6个字母的字符串，我意识到可以这样做：

>>> from collections import Counter
>>> x = Counter("ACGTGCA")
>>> x
Counter({'A': 2, 'C': 2, 'G': 2, 'T': 1})

现在，我使用的数据是DNA文件，文件的格式大致是这样的：

> name of the protein
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 
ACGTGCA ... < more sequences> 

> another protein 
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>
AGTTTCAGGAC ... <more sequences>

我们可以先处理一个蛋白质，但接下来怎么修改上面的代码块，以便搜索最常见的6个字符的字符串模式呢？谢谢。

Answer 1

旧版的 itertools 文档（通过 这个回答）提供了一个叫 window 的函数，这个函数是 @Duncan 的答案的通用版本。

def window(seq, n=2):
    "Returns a sliding window (of width n) over data from the iterable"
    "   s -> (s0,s1,...s[n-1]), (s1,s2,...,sn), ...                   "
    it = iter(seq)
    result = tuple(islice(it, n))
    if len(result) == n:
        yield result    
    for elem in it:
        result = result[1:] + (elem,)
        yield result

然后你可以直接这样做

collections.Counter(window(x))

个人来说，我还是更喜欢用字符串切片，但如果你需要的话，这个是一个通用的版本。

Answer 2

我觉得最简单的方法就是这样做：

>>> from collections import Counter
>>> protein = "AGTTTCAGGAC"
>>> Counter(protein[i:i+6] for i in range(len(protein)-5))
Counter({'TTCAGG': 1, 'AGTTTC': 1, 'CAGGAC': 1, 'TCAGGA': 1, 'GTTTCA': 1, 'TTTCAG': 1})