使用Python在字符串中只保留某些字符？

Question

在我的程序中，我有一个这样的字符串：

ag-ct-oso-gcota公司

使用python，我的目标是去掉空白，只保留a、t、c和g字符。 我知道如何去掉空白（我只是使用line=line.replace（“，”））。但是，当我不需要的字符可以是字母表中的任何其他字母时，我怎样才能去掉它们呢？

Answer 1

我可能会这样做：

chars_i_want = set('atcg')
final_string = ''.join(c for c in start_string if c in chars_i_want)

这可能是最简单的方法。

---

另一种选择是使用str.translate来完成工作：

import string
chars_to_remove = string.printable.translate(None,'acgt')
final_string = start_string.translate(None,chars_to_remove)

我不确定哪个会表现得更好。需要通过timeit来计时才能确定。

---

更新：计时！

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))

很遗憾（对我来说），regex在我的机器上获胜：

test_re 0.901512145996
test_join1 6.00346088409
test_join2 3.66561293602
translate 1.0741918087

Answer 2

一个非常优雅和快速的方法是使用正则表达式：

import re

str = 'ag ct oso gcota'
str = re.sub('[^atcg]', '', str)

"""str is now 'agctgcta"""

Answer 3

人们在投票前测试过mgilson的test_re（）函数吗？re.sub()的参数是相反的，因此它在空字符串中进行替换，并始终返回空字符串。

我在Python3.4中工作；string.translate（）只接受一个参数dict，因为构建这个dict有开销，所以我将它从函数中移出。公平地说，我还将regex编译从函数中移出（这没有明显的区别）。

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)))

以下是时间安排：

test_re 3.3141989699797705
test_join1 2.4452173250028864
test_join2 2.081048655003542
translate 1.9390292020107154

字符串太糟糕了。translate（）没有选项来控制如何处理不在映射中的字符。当前的实现是保留它们，但我们也可以选择删除它们，以防我们要保留的字符远少于要删除的字符（哦，hello，unicode）。