Python 查找字符串中特定字符的范围

我正在Windows7上使用python-3.x。我有一个由数百万个字符组成的字符串。例如，考虑：

ATCGNNNATCGATNNNNNATCGANTCG

我想得到

N

的范围。在这里，

[[4,7]，[13,18]，[23,24]]

。 我不能只取

N

s的位置，然后将它们转换为范围，因为这是一个巨大的数据，而且这种方法速度太慢。 这似乎是一个很容易的问题，但实际上我没有想到好办法。

---

有没有一种快速的方法可以做到这一点？

不确定这将如何扩展到数百万个字符的字符串，但您可以尝试：

---

更新：使用随机生成的A、C、G、T和N字符串尝试此操作。对于1000000个字符，

list（span）

只需不到1秒的时间，对于10000000个字符，在我这台完全不新的计算机上大约需要10秒，找到大约1600000组N。

不确定如何将其扩展为数百万个字符的字符串，但你可以试试：

更新：使用随机生成的A、C、G、T和N字符串尝试此操作。对于1000000个字符，

列表（跨度）

只需不到1秒的时间，对于10000000个字符，在我这台完全不是新电脑上大约需要10秒，找到大约1600000个N组。

一个不需要重新设置的解决方案：

from itertools import chain

def find_ranges(it, elem):
    start = None
    for i, e in enumerate(chain(it, [None])):
        if not start and e == elem:
            start = i
        elif start and e != elem:
            yield (start, i)
            start = None

使用ipython的magic%timeit进行测量：

In [1]: import random
In [2]: s = [random.choice("ACGTN") for i in range(1000000)]
In [3]: %timeit list(find_ranges(s, "N"))
10 loops, best of 3: 164 ms per loop

编辑：在带有链的末端添加一个防护装置，以便在序列中的最后一项是搜索的元素时使其工作。

无需重新搜索的解决方案：

from itertools import chain

def find_ranges(it, elem):
    start = None
    for i, e in enumerate(chain(it, [None])):
        if not start and e == elem:
            start = i
        elif start and e != elem:
            yield (start, i)
            start = None

使用ipython的magic%timeit进行测量：

In [1]: import random
In [2]: s = [random.choice("ACGTN") for i in range(1000000)]
In [3]: %timeit list(find_ranges(s, "N"))
10 loops, best of 3: 164 ms per loop

---

编辑：在末尾添加了一个带有链的保护，以便在序列中的最后一项是搜索的元素时使其工作。

使用

g.span（）

可能会稍微快一点。对于数百万个字符，我不会在理解的情况下一次使用迭代器，但除了那种伟大的方法+1之外，在不到五分钟的时间里，不需要在

g.span（）

整个32亿个人类基因组密码的周围进行排列！好极了感谢使用

g.span（）

可能会稍微快一点。对于数百万个字符，我不会在理解的情况下一次使用迭代器，但除了那种伟大的方法+1，也不需要在不到五分钟的时间内对

g.span（）

整个32亿人类基因组代码进行排序！好极了感谢+1的优秀图形算法。仅供比较：我在我的系统上测试了这两种解决方案，而regex方法的速度仍然是前者的两倍。看来我的电脑真的不是最快的了…谢谢。也许基于regex的解决方案更快，因为re模块是用C实现的，而我的是纯python。我相信用C实现的同样的算法比用正则表达式实现的算法要好：）+1的好图形算法。仅供比较：我在我的系统上测试了这两种解决方案，而regex方法的速度仍然是前者的两倍。看来我的电脑真的不是最快的了…谢谢。也许基于regex的解决方案更快，因为re模块是用C实现的，而我的是纯python。我相信用C实现的相同算法将胜过用正则表达式实现的算法：）