Python cs50 PSET6/DNA正则表达式

我试图通过在序列文件中查找连续STR（一个子字符串模式，即“AGAT”）的数量来工作

字符串模式：AGATC、TTTTCT、AATG、TCTAG、GATA、TATC、GAAA、TCTG

序列文件（许多其他序列文件中的一个）：aaggtaagtttagaatataaggtgtagtaaatagaaaggttaaaattaaggagatcagatcagatcagatcagatctatctatctatctatctatcatcagagagagagataatagtagagagagataatagtagagatagatgagataatgatggaatattgttggaaagaggatagagagagagagg

在上述顺序中，TATC是连续运行5对TATC的最大值。对于我的正则表达式，它将返回匹配项，无论它们是否连续

我相信使用正则表达式是我最好的选择。这是我第一次使用Python，所以不要期望太多。我在regex101.com上使用了regex工具，它让我对regex公式有了一些很好的了解。我将一个变量传递到带有{head}的正则表达式中，这是字符串模式，但我希望找到匹配的字符串

{head}

2次或更多次。我的bellow regex至少会返回1次或更多次与

head

匹配的结果，因此我知道为什么会这样返回

groups = re.findall(rf'?:{head})+, text)

如果我在regex101.com中使用

r“（AGAT）{2，}”

，这就是我期望的工作方式。它查找匹配的字符串2次或多次。如果我将它作为

groups=re.findall（rf'（？：{head}）{2，}）

传递到代码中，它不会返回任何内容

我的代码如下：

import csv
import re
import string


if len(sys.argv) != 3:
    print("missing command-line argument")
    exit(1)

if re.search(r"(.csv)", sys.argv[1]) == None:
    print("CSV file not found!")
    print("Usage: 'python.py *.csv *.txt'")
    exit(1)

if re.search(r"(.txt)", sys.argv[2]) == None:
    print("TXT file not found!")
    print("Usage: 'python.py *.csv *.txt'")
    exit(1)

# use reader or DictReader from the CSV module
# use sys.argv for command-line arguments
# use open(filename) and f.read() to read its contents.

# open CSV and DNA sequence and read into memory
with open(sys.argv[1], newline='') as database, open(sys.argv[2], newline='') as sequence:
    reader = csv.DictReader(database)
    headers = reader.fieldnames
    text = sequence.read()
    for head in headers:
        groups = re.findall(rf'(?:{head})+', text)
        print(head, groups)

如果我使用上面的

groups=re.findall（rf'（？：{head}）+'，text）

变量，我会得到下面的输出

AGATC ['AGATCAGATCAGATCAGATC']
TTTTTTCT []
AATG ['AATG']
TCTAG []
GATA ['GATA', 'GATA']
TATC ['TATCTATCTATCTATCTATC']
GAAA ['GAAA', 'GAAA', 'GAAA']
TCTG []

如果我使用

groups=re.findall（rf'（？：{head}）{2，}'，text）

AGATC []
TTTTTTCT []
AATG []
TCTAG []
GATA []
TATC []
GAAA []
TCTG []

因此，我想我是在问，如何使用regex查找字符串（作为变量传递）2次或更多次？

您可以在正则表达式中使用pattern

（（您的模式）\2*）

查找最大的连续模式（对于pattern

TATC

）：

印刷品：

Most repeated pattern: TATC, number of repetitions 5

---

这个答案来自Reddit的cs50子Reddit上的一个用户yeahIProgram

"That's what I was referring to, but I had to look it up and you escape the braces inside the formatted string by doubling them."

因此，我要寻找的正则表达式是

groups=re.findall（rf'（（{head}）{{2，}}），text）

。它返回了我期望的以下输出

AGATC [('AGATCAGATCAGATCAGATC', 'AGATC')]
TTTTTTCT []
AATG []
TCTAG []
GATA []
TATC [('TATCTATCTATCTATCTATC', 'TATC')]
GAAA []
TCTG []

现在，我只需要得到字符串出现的总次数，我应该能很好地理解它

---

感谢@Andrej Kesely的支持。

我尝试了

groups=re.findall（rf'（？：{head}）\2*”

我发现自己有很多错误。我可以将字符串模式放在一个数组中，但我们面临的挑战是将这些模式作为CSV文件的头，我们需要将其取出。这就是为什么我需要将其保留为变量。我尝试了两种建议

groups=re.findall（rf'（？：{head}）\1*，text）

和

groups=re.findall（rf'（？：{head}）\2*，text）

都返回了错误。如下：回溯（最近一次调用）：STRs=re.compile（rf'（？：{head}）\2*）文件“/usr/local/lib/python3.7/sre_parse.py”，第399行，在_escape-raise-source.error中（“无效的组引用%d”%group，len（escape）-1）re.error:无效的组引用2位于位置9不幸的是，我仍在抛出错误。

回溯（最后一次调用）：文件“dna.py”，第31行，在groups=re.findall（rf'（（？{head}）\2*），text）re.error:未知扩展名？n位于位置2

@Rsp8请不要使用

？

：

groups=re.findall（rf'（{head}）\2*），text）

->正如我在回答中所说的那样。@Anrej Kesley，这似乎是可行的，但它不是只返回一个字符串，而是返回多个。

AGATC[（'agatcagatcagatc'，'AGATC'）]tttttttttt-ct[]AATG[（'AATG'，'AATG'）]TCTAG[[GATA[（'GATA'，'GATA'，'GATA'），（'GATA'，'GATA'）]TATC[（'TATCTATCTATCTATC'，'TATC'）]GAAA[（'GAAA'，'GAAA'，'GAAA'），（'GAAA'，'GAAA'），（'GAAA'，'GAAA'）]TCTG[]

我只需要最长的连续时间。我会继续玩它。

AGATC [('AGATCAGATCAGATCAGATC', 'AGATC')]
TTTTTTCT []
AATG []
TCTAG []
GATA []
TATC [('TATCTATCTATCTATCTATC', 'TATC')]
GAAA []
TCTG []