Python-将带有大写和小写字符串元素的遗传数据(不带空格)拆分为列表

Question

我正在处理过滤大量遗传数据。为了便于引用，我们将使用一串较短的元素，如下所示:

geneData = 'gggtacaccaaGGCCTATAACAttacatCTACATTGGAtcaggatccaaaATTAAGGAA'

我想将此字符串拆分为所有大写部分作为单词的列表(最终包含小写部分)，所以这是我需要的输出:

cleanedExons = ['GGCCTATAACA', 'CTACATTGGA', 'ATTAAGGAA']

这与我过去从句子中拆分单词的方式类似，我一直在尝试调整代码以将字符串拆分为列表，但收效甚微。这是我当前的代码:

def Exon_Split(string):
    IntronLetters = 'gcat'
    L=string.split(IntronLetters)
    cleanedExons=[]
    ExonLetters = 'GCAT'

    for e in L:
        word = ''
        for c in e:
            if c in ExonLetters:
                word += c
        if word!=ExonLetters:
            cleanedExons.append(word)
    print(cleanedExons)
Exon_Split(geneData)

这是我得到的输出。正如您所看到的，它没有被分割成所需的元素:

['GGCCTATAACACTACATTGGAATTAAGGAA']

有没有办法让 python 将这些大写字母视为“单词”？

Answer 1

有问题吗？使用正则表达式:

import re

geneData = 'gggtacaccaaGGCCTATAACAttacatCTACATTGGAtcaggatccaaaATTAAGGAA'
pU = re.compile('[A-Z]+')
pL = re.compile('[a-z]+')
cleanedExons = pU.findall(geneData)
# repeat with PL

出于无聊，我做了一些性能测试:

# 10000000 iterations
# regex split: 40.23s
# regex findall: 26.53s
# the itertool version posted in another answer: 163.82s

所以 re.findall 是获胜者。 findall 的功劳归@Tomothy32，我发布的初始版本使用了 split。