匹配并索引所有子字符串，包括重叠的子字符串

Question

我正在尝试使用 new regex findall 为匹配项编制索引，以便可以考虑重叠的匹配项。但是，我只能找到匹配项，但不能正确地给出它们的位置。

我的代码：

import regex as re
seq = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"
xx=re.findall(substring,seq,overlapped=True)
print xx

xx 看起来像

['GTTTGCAG', 'GTTTGCAG']

因为10-17和25-32位置有两场比赛

但是请问我怎样才能得到这些数字呢？通过检查 dir(xx)，没有 start/end/pos 我可以在这个新函数中使用。（我尝试了 xx.index(substring)，但这似乎只给出了结果列表的索引：例如，在这种情况下为 0 和 1）

谢谢。

Answer 1

使用re.finditer，您可以获得起始位置：

import re
seq = "blahblahblahLALALAblahblahLALA"
substring="LALA"
lenss=len(substring)
overlapsearch="(?=(\"+substring+"))"
xx=[[x.start(),x.start()+lenss] for x in list(re.finditer(overlapsearch,seq))]
check=[seq[x[0]:x[1]] for x in xx]
print xx
print check

结果：

[[12, 16], [14, 18], [26, 30]]
['LALA', 'LALA', 'LALA']

使用您的原始示例的结果：

[[9, 17], [24, 32]]
['GTTTGCAG', 'GTTTGCAG']

在子字符串搜索中添加“?=”告诉正则表达式下一个匹配项可以使用上一个匹配项中的字符

Answer 2

如果您不使用正则表达式，您可以使用可选的起始参数重复调用 string.find()。

例如：

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring="GTTTGCAG"

def find_endpoints(seq, sub):
    off = 0
    matches = []
    while True:
        idx = seq.find(substring, off)
        if idx == -1: break
        matches.append((idx, idx+len(sub)))
        off = idx + 1
    return matches

for (s,e) in find_endpoints(sequence, substring):
    print(s, e, sequence[s:e])

输出：

(9, 17, 'GTTTGCAG')
(24, 32, 'GTTTGCAG')

注：(s,e)为子串的起始索引（含）和结束索引（不含）

Answer 3

这对长度等于模式长度的子字符串进行迭代，并与我们的模式进行比较。如果它们相同，它会记住字符串中的开始和结束索引。它简单的列表理解。

sequence = "ATCCAAGGAGTTTGCAGAGGTGGCGTTTGCAGCATGAGAT"
substring = "GTTTGCAG"

def find_indexes(seq, sub):
    return [(sub, i, len(sub)+i) for i in range(0, len(seq), 1) if seq[i:len(sub)+i] == sub]

print find_indexes(sequence, substring)

输出：

[('GTTTGCAG', 9, 17), ('GTTTGCAG', 24, 32)]

匹配并索引所有子字符串，包括重叠的子字符串

Match and index all substrings, including overlapping ones

python

regex

indexing

match

overlapping-matches