Python正在计算子字符串的唯一字符串源的数量

Question

假设我有一个包含5个字符串的列表，如：

AAAAB
BBBBA
BBBBA
ABBBB

我想找到并计算每个可能的4个字符的子字符串，并跟踪它们来自的唯一5个字符的字符串的数量。这意味着虽然BBBB存在于三个不同的字符串源中，但只有两个唯一的源

示例输出：

    substring    repeats    unique sources
0     AAAA          1              1
1     AAAB          1              1
2     BBBB          3              2
3     BBBA          2              1
4     ABBB          1              1

我已经设法在一个小规模上做到了这一点，只使用了Python，一个更新的字典，以及两个用于比较现有子字符串和全长字符串的列表。然而，当将其应用于我的完整数据集（约160000个全长字符串（12个字符）产生1.5亿个子字符串（4个字符））时，持续的字典更新和列表比较过程太慢（我的脚本已经运行了一周了）。 在Python和pandas中，计算所有全长字符串中存在的子字符串的数量既容易又便宜

所以我的问题是：如何有效地计算和更新数据帧中子字符串的唯一全长源的计数

Answer 1

TLDR：根据您描述的数据规模，在我的计算机上进行一次尝试，估计需要约2小时

import numpy as np
import pandas as pd

def substring_search(fullstrings, sublen=4):
    '''
    fullstrings: array like of strings
    sublen: length of substring to search
    '''
    # PART 1: FIND SUBSTRINGS

    # length of full strings, assumes all are same
    strsize = len(fullstrings[0])

    # get unique strings, # occurences
    strs, counts = np.unique(fullstrings, return_counts=True)
    fullstrings = pd.DataFrame({'string':strs,
                                'count':counts})
    unique_n = len(fullstrings)

    # create array to hold substrings
    substrings = np.empty(unique_n * (strsize - sublen + 1), dtype=str)
    substrings = pd.Series(substrings)

    # slice to find each substring
    c = 0
    while c + sublen <= strsize:
        sliced = fullstrings['string'].str.slice(c, c+sublen)
        s = c * unique_n
        e = s + unique_n
        substrings[s: e] = sliced
        c += 1

    # take the set of substrings, save in output df
    substrings = np.unique(substrings)
    output = pd.DataFrame({'substrings':substrings,
                           'repeats': 0,
                           'unique_sources': 0})

    # PART 2: CHECKING FULL STRINGS FOR SUBSTRINGS

    for i, s in enumerate(output['substrings']):
        # check which fullstrings contain each substring
        idx = fullstrings['string'].str.contains(s)
        count = fullstrings['count'][idx].sum()
        output.loc[i, 'repeats'] = count
        output.loc[i, 'unique_sources'] = idx.sum()
    print('Finished!')

    return output

适用于您的示例：

>>> example = ['AAAAB', 'BBBBA', 'BBBBA', 'ABBBB']
>>> substring_search(example)

  substrings  repeats  unique_sources
0       AAAA        1               1
1       AAAB        1               1
2       ABBB        1               1
3       BBBA        2               1
4       BBBB        3               2

---

说明

上述代码的基本思想是循环所有唯一的子字符串，并（对于每个子字符串）使用pandas{}方法检查完整字符串列表。这将为循环保存一个（即，不循环每个子字符串的每个完整字符串）。另一个想法是只检查唯一的完整字符串（除了唯一的子字符串）；您可以事先保存每个完整字符串的出现次数，并在结尾更正计数

基本结构是：

1. 获取输入中唯一的字符串，并记录每次出现的次数
2. 在输入中查找所有唯一的子字符串（我使用^{}）
3. 在每个子字符串上循环，并使用^{}（按元素）检查完整字符串。因为它们是唯一的，并且我们知道每次发生的次数，所以我们可以同时填充repeats和unique_sources

测试

下面是我用来创建较大输入数据的代码：

n = 100
size = 12

letters = list(string.ascii_uppercase[:20])
bigger = [''.join(np.random.choice(letters, size)) for i in range(n)]

所以bigger是n{}长度的字符串：

['FQHMHSOIEKGO',
 'FLLNCKAHFISM',
 'LDKKRKJROIRL',
 ...
 'KDTTLOKCDMCD',
 'SKLNSAQQBQHJ',
 'TAIAGSIEQSGI']

使用打印进度的修改代码（发布在下面），我尝试了n=150000和size=12，并获得了以下初始输出：

Starting main loop...
5%, 344.59 seconds
10.0%, 685.28 seconds

因此10*685秒/60（秒/分钟）=~114分钟。因此2小时并不理想，但实际上比1周更有用。我不怀疑有一些更聪明的方法可以做到这一点，但如果没有其他发布，这可能会有所帮助

如果您确实使用了这段代码，您可能需要用一些较小的示例来验证结果是否正确。我不确定的一件事是，是否要计算子字符串是否仅出现在每个完整字符串中（即contains），或者是否要计算它出现在完整字符串中的次数（即^{}）。这至少有望是一个小变化

以下是执行搜索时打印进度的附加代码；在#PART 2中只有其他语句：

def substring_search_progress(fullstrings, sublen=4):
    '''
    fullstrings: array like of strings
    sublen: length of substring to search
    '''
    # PART 1: FIND SUBSTRINGS

    # length of full strings, assumes all are same
    strsize = len(fullstrings[0])

    # get unique strings, # occurences
    strs, counts = np.unique(fullstrings, return_counts=True)
    fullstrings = pd.DataFrame({'string':strs,
                                'count':counts})
    unique_n = len(fullstrings)

    # create array to hold substrings
    substrings = np.empty(unique_n * (strsize - sublen + 1), dtype=str)
    substrings = pd.Series(substrings)

    # slice to find each substring
    c = 0
    while c + sublen <= strsize:
        sliced = fullstrings['string'].str.slice(c, c+sublen)
        s = c * unique_n
        e = s + unique_n
        substrings[s: e] = sliced
        c += 1

    # take the set of substrings, save in output df
    substrings = np.unique(substrings)
    output = pd.DataFrame({'substrings':substrings,
                           'repeats': 0,
                           'unique_sources': 0})

    # PART 2: CHECKING FULL STRINGS FOR SUBSTRINGS

    # for marking progress
    total = len(output)
    every = 5
    progress = every

    # main loop
    print('Starting main loop...')
    start = time.time()
    for i, s in enumerate(output['substrings']):

        # progress
        if (i / total * 100) > progress:
            now = round(time.time() - start, 2)
            print(f'{progress}%, {now} seconds')
            progress = (((i / total * 100) // every) + 1) * every

        # check which fullstrings contain each substring
        idx = fullstrings['string'].str.contains(s)
        count = fullstrings['count'][idx].sum()
        output.loc[i, 'repeats'] = count
        output.loc[i, 'unique_sources'] = idx.sum()
    print('Finished!')

    return output