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”?
最佳答案
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
。
关于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,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54964787/