查找包含一定数量的特定字符的子字符串

Question

我有一根像GGACATCGCGGTGGATCGAC公司.

如何找到包含（例如）三个G公司有什么顺序吗？

对于这个字符串，它应该是GCGG公司或燃气涡轮发电机，或GGACATCG公司.

还需要为几个字母找到这样的子字符串，例如，带有两个字母的子字符串G公司s和一C类(CGAG公司,GGAC公司,GGATC公司,CGG公司)

Answer 1

滑动窗：

• 解决这个问题的最好方法是编写一个O（N）算法。
• 如果字符数是可管理的，那么它可以被调优得相当好。如果没有，您需要编写几个方法，并使您的算法模块化，以便于调试和维护。

代码

定义滑动窗口（s，char_a，char_b，count_a，count_b）：res=[]开始=[]对于范围内的i（长度）：char=s[i]如果char在（chara，charb）中：开始。追加（i）对于启动中的启动：As，Bs=0，0温度=“”对于范围内的i（开始，长度）：字符=s[i]如果char==char_a：As+=1如果char==char_b：Bs+=1温度+=字符如果As==count_a和Bs==coount_b：附件（临时）打破返回ress=“GGACATCGCGGTGGTGGATCGCACACGCGCGGTGATCGATCGCGCGCGCGGCGCGCGATCGCGGGTGCGATCCGGCGCGAGCGCGAGACGACATGCGCCGCGCGCG”打印（_sliding_window（s，'G'，'C'，2，1），“\n”）打印（_sliding_window（s，'G'，'C'，3，0），“\n”）打印（_sliding_window（s，'G'，'C'，1，2），“\n”）打印（_sliding_window（s，'G'，'C'，0,3），“\n”）

注：

• 在上述算法中，我们首先找到起始索引，然后执行滑动窗口。

• Sill有一些逻辑问题，我会留给你解决。

• 如果没有太多数据，可以使用O（N^2）算法，这很容易编写。

打印

['GGAC'，'GCG'，'CGG'，'GGATC'，'GATCG'，‘GCG’，'GCG，‘CGG’，‘GGATC’，‘GATCG’，’GACG’，‘CGG'[‘GGTG’，‘GTGG’，’GGTG‘，’GTGG‘，‘GGTG']['GACATC'，'CATCG'，'CGC'，'CGC'，'GCC'，‘CACG'，‘CGC’，‘CGAC’，‘GACATC’[“CCAC”，“CATCC”]

Regex图案

很难为每个案例编写模式。但编写模式的方法如下。

• 用必要的东西定义前瞻。
• 为每种情况逐个定义图案，并使用管道连接它们。

对于任何顺序的3G：

（？=.*G.*G.*G）（[G].*？[G].*？[G]）

代码

进口再进口p=r'（？=.*G.*G.*G）（[G].*？[G].*？[G]）'s=“”GGACATCGCGGTGGATCGACGACACACGCGGTGCGATCGATCGACCGACCGATCGCGTGGATCGAGCGCGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。GCGG或GTGG或GGACATCG。GCGG或GTGG或GGACATGCGCG。GGACATGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。GCGG或GTGG或GGACATCG。GCGG或GTGG或GGACATGCGCG。GGACATGCGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。"""find_3G=重新查找所有（p，s）打印（find_3G）#请注意“GCG”。G'也是发现的一部分。

打印

['GGACATCG'，'GGTG'，'GATCGACG'，'GACATCGCG'，‘GTGG'，‘GACGG’，‘GCGG’，“GGATCG”、“GACATGCG”和“GCG”。G'，'GACATGCG'，'GCGG'，'GACATGCG'，'GCG。G'，'GACATGCG'，'GCGG'，'GTGG'，'GGACATCG'，'GCGGGG'，'GCGCG'，'GGACATG'，'GCGCG，'GGCATG'，‘GCGCG’，‘GGACATG’，'GCGCG，'GGACATG'，'GCGCG'，'GCGG'，'GTGG'，''GGACATCG'，''GCGGG''，''GTGG''，“GGACATG”，“GCGCG”，“GGACATG”，'GCGCG'，'GGACATG'，‘GCGCG’，‘GGACTG’，‘GCGCG’，‘GGACATG’，’GCGCG‘]

---

两个G和一个C的原始蛮力算法如下O（N^2）：

定义模式（_P）：返回s.count（'G'）==2和s.count（'C'）==1定义集合（_C）：res=[]对于范围内的i（长度）：对于范围（i+1，长度+1）中的j：部分=s[i:j]如果模式（部件）（_P）：附件（部分）返回ress=“”“GGACATCGCGGTGGATCGACGACACACGCGGTGCGATCGATCGACCGACCGATCGCGTGGATCGAGCGCGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。GCGG或GTGG或GGACATCG。GCGG或GTGG或GGACATGCGCG。GGACATGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。GCGG或GTGG或GGACATCG。GCGG或GTGG或GGACATGCGCG。GGACATGCGCG。GGACATGCGCGCGGGACATCGCGCG。GGACATGCGCG。"""G、 C=2，1打印（集合）（_C）

打印

[“\nGGAC”，“\nGGCAC”，“\n GGACAT”，“GGAC“，”GGACA“，”nGGACAT“，”GCG“，“CGG”、“CGGT”、“TGGATC”、“GGATC”、“GATCG”、“GATCGA”、“GACG”、“ACGG”，“ACGGA”，“CGG”，“GCGA”，‘GGAC’，‘GGCAC’，‘G GACAT’，‘GCG’，‘CGG’，“CGGT”、“TGGATC”、“GGATC”，“GATCG”、“GATCGA”、“AGCGA”、“ACGG”、，‘CGG’，‘CGGA’，‘GGAC’，‘G GACA’，‘g GACAT’，‘GCG’，“CGG”，‘CGGT’，“TGGATC”、“GGATC”，“GATCG”、“GATCGA”、“GA G”，“GA GA”，“G CATG”，'GACATG'，'ATGCG'，'TGCG'，'GCG'GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT’，‘GGAC’，‘G GACA’，‘g GACAT‘，“GGAC”，“GGACA”，“G GACAT”，“GACATG”，“ATGCG”，‘TGCG’，‘GCG’，‘GCG’，‘GCG’，‘CGG’，'GGAC'，‘GGACA’，‘GGCAT’，‘GACATG’，’ATGCG’、‘TGCG’，'GCG'，'GCG]，'GCG，'GCG.'，'GCG.'GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT’，‘GGAC’，‘G GACA’，‘g GACAT‘，‘G GA C’，’G GACA‘，‘GGA CAT’，'GACATG'，'ATGCG'，'TGCG'，'GCG'，'GCG'，'GCG'，'GCG.'，'GCG.“，”GCG公司。\n’，'重心。\nG’，'G.\nGC’，'。\nGCG'，'\nGCG'、'\nGCG'、'GCG'，'CGG'，“CGG”、“CGG o”、“GCG or”、“CCG or”或“，”或“GGAC”、“或GGACA”、“，或GGACAT“，”或GGAC“，”or GGACA“，”or-GGACAT”，“or GGAC”，“or-GGACA”，“或GGACA”，“or GGACAT”、“r GGAC”、“rGGACA”、“r-GGACATs”、“GGAC“、”GGACA“、”GGACAT、GGAC、GGACA、GGACT、ATCG。G’，‘TCG。G'，'重心。G'，'G。GC“，”。GCG’、‘GCG’、‘GCG’、‘CGG’、‘CGG’、‘CGG o’、‘CGG or’、‘CGG or’“、”或GGAC“、”、或GGACA“、”，或GGACAT“、”或者GGAC”、“或者GGACA”、“或GGACC”，“或GGACAT”、“或GGAC”、“or GGACA”、“或者GGACAD”、“r GGAC”、，“r GGACAT”、“GGAC”、“GGACA”、“GGACAT”、“GGAC”、“GGACA”、“GGACAT”，'GACATG'，'ATGCG'，'TGCG'，'GCG'GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT’，‘GGAC’，‘G GACA’，‘g GACAT‘，“GGAC”，“GGACA”，“G GACAT”，“GACATG”，“ATGCG”，‘TGCG’，‘GCG’，‘GCG’，“GCG”，“GCG.”，“GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT“，”GGAC’，‘GGACA’，‘G GACAT’，‘g GAC’，“ATGCG”，“TGCG”，“GCG”，'GGACAT'，'GACATG'，'ATGCG'，'TGCG'，'GCG'，“GCG.”，“重心。G'，'。GGAC“，”。GGACA“，”。“GGACAT”，“GGAC”，“G GACA”，“GGACAT”，“GGAC”，“GGACA”，“GAACAT”，“GACATG”，“ATGCG”，‘TGCG’，'GCG'，'GCG]，'GCG，'GCG.'，'GCG.'GCG.“，”GCG公司。\n’，'重心。\nG’，'G.\nGC’，'. \nGCG'，'\nGCG'，''\nGCG'、'GCG'、'CGG'、'CGG'，'CGG o'，'CGG or'，“CGG or”、“or GGAC”、“，or GGACA”、“或GGACAT”、“orGGAC，”或GGACA“，”或“GGACAT”，“或GGAC”，“or GGACA”，“or-GGACAT“，”rGGAC“，”rGGACA’，‘r GGACAT’，‘GGAC’，‘G GACA’，“GGACAT”，“ATCG”。G’，‘TCG。G'，'重心。G'，'G.GC'，'。GCG’，“GCG”，‘GCG’、‘CGG’、’CGG’，‘CGG o’、‘GCG or’、‘IGG or’，‘或GGAC’，‘，或GGACA“，”，或GGACAT“，”或GGAC“，”或者GGACA”，“或GGACAD”，“或者“GGAC”，“or GGACA”，“或GGACAT”，“r GGAC“，”r GGACA“，”GGAC’，‘GGACA’，‘G GACAT’，‘g GAC’，“ATGCG”，“TGCG”，“GCG”GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT’，‘GGAC’，‘G GACA’，‘g GACAT'，‘G GA C’，'GGACA'，'GGACAT'，'GACATG'，'ATGCG'，'TGCG'，'GCG'，“GCG.”，“GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT“，”GGAC“，”GGACA'，'GGACAT'，'GGAC'，'GGACA'，'GGACAT'，'GACATG'，'ATGCG'，“TGCG”，“GCG”，“GC”，'GACATG'，'ATGCG'，'TGCG'，'GCG'GCG.“，”重心。G'，'。GGAC“，”。GGACA“，”。GGACAT’，‘GGAC’，‘G GACA’，‘g GACAT‘，“GGAC”，“GGACA”，“G GACAT”，“GACATG”，“ATGCG”，‘TGCG’，‘GCG’，‘GCG’，“GCG”，“GCG.”，“GCG.“，”GCG公司。\n’]号

---

注释

• 该算法可以用O（N）时间复杂度来编写。我只是想在这里展示一下我们如何解决这个问题。

• 您可以添加方法来处理边缘情况。

• 算法非常灵活，易于维护和调试。

Answer 2

在python中，您可以使用正则表达式模块捕获重叠匹配。这可以简化正则表达式。对于3 G，您可以使用：

G[^G]*G[^G]*G

对于2G和1C，有以下三种可能的组合（其中*表示一些非G或C的字符数）：

1. G*G*C公司
2. G*C*G
3. C*克*克

这些可以与此正则表达式匹配：

G[^GC]*G[^GC]*C|G[^ GC]*C[^GC]*G|C[^GC]*G[GC]*G

用蟒蛇

导入正则表达式s='GGACATCGCGGTGGATCGAC'regex.findall（r'G[^G]*G[^G]*G'，s，overlapped=True）regex.findall（r'G[^GC]*G[^GC]*C|G[^GC]*C[^GC]*C[|GC]*G|C[^GC]*G[GC]*G，s，overlapped=True）

输出：

['GGACATCG'，'GACATCGCG'，'GCGG'，'GGTG'，'GTGGG，'GGATCG'][‘GGAC’，‘GCG’，‘CGG’，’GGATC’，‘GATCG’]

Answer 3

首先，您应该注意，匹配的子字符串必须以所需的字母开头和结尾。

有了这个约束，通过捕获所需的字母和中间可选的其他字符，匹配包含一个确切数字的字母的子字符串是相当简单的：

（？=（（？：G[^G]*）{2} G公司))

演示：https://regex101.com/r/ajXtbq/1

匹配包含两个精确数字的字母的子字符串要复杂得多。它可以归结为捕获每个字母的所需数量并捕获后面的内容，然后捕获一个子字符串，该子字符串由之前捕获的所需字母之一组成，后跟不是该字母的字符，直到它到达了一个点，在这个点上，后面的内容是前面捕捉到的另一个所需字母后面的内容之一。下面是一个捕获两个子字符串的示例G公司s和1C类:

（？=（[^C]*C）（.*$））（？=

演示（在第5组中捕获所需的子字符串）：https://regex101.com/r/uCtCfq/1

对于任意数量字母的更通用解决方案，使用带有滑动窗口的计数器更容易、更有效，当计数器小于目标时，滑动窗口会增加结束索引，否则会增加起始索引：

从集合导入计数器定义查找，目标计数：target_counts=计数器（target_contounts）current_counts=计数器（）开始=结束=0大小=长度while end<大小：如果当前计数<目标计数：如果（char:=s[end]）在target_counts中：current_counts[char]+=1结束+=1其他：当前计数中的if（char:=s[start]）：如果current_counts==目标计数：产量s[开始：结束]current_counts[char]-=1开始+=1

以便：

打印（*find（“GGACATCGCGGTGGATCGAC”，{'G'：2，'C'：1}），sep='\n'）

输出：

GGAC公司GCG公司CGG公司GGATC公司关贸总协定

演示在这里

Answer 4

Python函数来查找所有这些子字符串对于任何数量的字母：

定义find_substrings_with_exact_letters（s，letter_counts）：从集合导入计数器结果=[]n=长度total_letters=总和（letter_counts.values（））对于范围内的i（n-total_letters+1）：substring=s[i:i+total_letters]counts=计数器（子字符串）match=all（counts[char]==letter_counts[char]代表letter_contounts中的char）如果匹配：result.append（子字符串）返回结果#示例用法s=“GGACATCGCGGTGGTGGATCGCACACGCGCGGTGATCGATCGCGCGCGCGGCGCGCGATCGCGGGTGCGATCCGGCGCGAGCGCGAGACGACATGCGCCGCGCGCG”letter_counts_3Gs=｛'G'：3｝letter_counts_2Gs_1C={'G'：2，'C'：1}substrings_3Gs=find_substrings_with_exact_letters（s，letter_counts_3Gs）print（“Substrings with exactly 3 Gs:”，Substrings_3Gs）substrings_2Gs_1C=find_substrings_with_exact_letters（s，letter_counts_2Gs_1C）打印（“Substrings with exactly 2 Gs and 1 C:”，Substrings_2Gs_1C）

修改字母_计数要查找的词典子字符串匹配不同的标准。