Python 确定字符串位置的算法？

我有两组字符串-每组大约5000个字符串-（更具体地说，序列仅由ACTG组成），它们根据一些其他数据分为两组。每个字符串的长度都是相等的，效率并不重要。给定一个特定的序列，我希望能够确定该字符串将属于哪个类别*。我应该使用什么算法来实现这一点

*仅基于组中以前的数据

一个小例子：

第1组：AATTGG
第2组：ATCCGC

---

然后，如果我有字符串CCGTCC，它将转到第2组，因为第2组的序列中有更多的C，而第1组更喜欢A、T和G的双倍。这个问题还没有确定。没有好的答案。但你还是被要求这么做。那是真实的生活

所以你有一个选择。学习很多关于机器学习的知识。那会让你做一些聪明的事情。或者做最愚蠢的事情，然后看看你是否喜欢结果

根据对您问题的描述，我建议采用以下方法。从当前数据中构造“预测器”，预测下一个角色应该出现。就拿那些预测结果最好的人来说吧

那么什么样的预测因素呢？我建议使用拉普拉斯平滑（添加一个看不见的答案）。这很容易实现，在实践中，它可以很好地处理DNA数据。然后你可以做一些事情，比如0克（只是字母频率），1克（基于前一个字母），2克（前两个字母）和3克

对于每个预测值，以及每个可以预测的字母，您可以构建该预测值给出该字母的可能性的日志。添加日志，最后一个可能性最大的日志就是赢家。（添加日志在数学上等同于乘以概率，但避免超出浮点范围。）

您的示例太小，无法显示该技术的真正威力。没有足够的数据来训练1克、2克和3克。（对于1克，没有XY序列出现两次，因此，由于拉普拉斯平滑，在任何观察到的X之后，所有答案被认为是同等可能的。对于2克和3克，用XY和XYZ替换X。）

然而，0-gram将给A、G和T组1 2/7的可能性，但只给C组1/7的可能性（第7个字符是

C

的假观察值，它实际上没有出现在字符串中-这是拉普拉斯平滑）。对于测试字符串，这将给出

2*log（2/7）+4*log（1/7）=-10.289166533212

。相比之下，第2组A、G和T的可能性为1/6，而C的可能性为1/2。这使得

2*log（1/6）+4*log（1/2）=-6.3561076069589

因为第2组的预测因子做得更好，所以将其分配给第2组

请注意，这项技术得到了您希望应用的推理的预期结果。第2组有更多的Cs，因此将包含大量Cs的新字符串分配给第2组。如果你有更多的数据，并且你所描述的模式继续保持不变，第一组会得到A，G和T的两倍

还请注意，给定大量字符串，此技术将采用可由单个字母频率和短跑频率描述的模式。但它不会学习可能存在的其他类型的模式。例如，如果第一组和第二组的起始字符是一个非常强的信号，你不会注意到。其他技术也可以

以下是此技术的代码：

import math
n_limit = 4

def make_predictor (strings):
    freq_dict = {}
    for string in strings:
        for i in range(len(string)):
            for j in range(n_limit): # 0..3
                if j <= i:
                    substr = string[i-j:i]
                    if substr not in freq_dict:
                        freq_dict[substr] = {}
                    freq = freq_dict[substr]
                    char = string[i]
                    if char not in freq:
                        freq[char] = 1.0
                    else:
                        freq[char] = freq[char] + 1.0

    # Smoothing and precalculation of logs.
    predict_dict = {}
    for substr, freq in freq_dict.iteritems():
        for char in 'ACGT':
            if char not in freq:
                freq[char] = 1.0
        total = sum(freq.values())
        predict = {}
        for char, f in freq.iteritems():
            predict[char] = math.log(f / total)
        predict_dict[substr] = predict

    return predict_dict

def run_predictor (predict_dict, string):
    answer = 0.0
    empty_predict = math.log(0.25) # 4 values, equally likely.
    for i in range(len(string)):
        for j in range(n_limit):
            if j <= i:
                substr = string[i-j:i]
                if substr not in predict_dict:
                    answer = answer + empty_predict
                else:
                    answer = answer + predict_dict[substr][string[i]]
    return answer

def classify (p1, p2, string):
    if run_predictor(p1, string) < run_predictor(p2, string):
        return 2
    else:
        return 1

predictor1 = make_predictor(['AATTGG'])
predictor2 = make_predictor(['ATCCGC'])

print(classify(predictor1, predictor2, 'CCGTCC'))

导入数学
n_极限=4
def make_预测器（字符串）：
freq_dict={}
对于字符串中的字符串：
对于范围内的i（len（string））：
对于范围内的j（n#U限制）：#0..3
如果j提出的问题过于模糊，无法回答。（虽然这可能是相关的：：）举一些例子怎么样？听起来你在寻找一个机器学习分类问题。但我无法从所写的内容中分辨出来。我尝试使用感知器，但我甚至不确定如何对数据进行排序。因为字符串->数字是我被卡住的地方。如何根据字符串计算数字？你不需要数字，你需要一个数字向量，它可以是a=0，C=1，t=2和G=3@JerryQian我添加了代码，澄清了我的解释，解释了它的缺点，并就如何测试这种技术是否能够很好地处理您的数据提供了建议。谢谢！我只是想知道你是在哪里发现这个算法的？我认为了解更多的算法将是有益的（不仅仅是在这个领域）。@JerryQian老实说，他已经知道ngrams，并且认为你对这个问题的想法听起来很合适。我提醒自己它们是如何工作的，并说，“这应该足够好。”n_限制有什么作用？很抱歉问了这么多问题（另外，p1和p2可以是我所有序列的列表，对吗？