Scala 函数在遍历字符串kmer count时返回映射列表

我正在创建一个用Scala编写的k-mer频率计数器（类似于Hadoop中的字数计数）。我对Scala相当陌生，但我有一些编程经验

输入是一个包含基因序列的文本文件，我的任务是获取每个k-mer的频率，其中

k

是序列的某个指定长度

因此，序列

AGCTTTTC

有三个5-mers（AGCTT、GCTTT、CTTTC）

我已经解析了输入，并创建了一个巨大的字符串，它是整个序列，新行摆脱了k-mer计数，因为一行序列的结尾仍然应该与下一行序列的开头形成一个k-mer

现在，我正在尝试编写一个函数，该函数将生成一个映射列表

list[Map[String，Int]]

，使用scala的

groupBy

函数可以很容易地获得常见k-mers的计数

import scala.io.Source

object Main {
  def main(args: Array[String]) {

    // Get all of the lines from the input file
    val input = Source.fromFile("input.txt").getLines.toArray

    // Create one huge string which contains all the lines but the first
    val lines = input.tail.mkString.replace("\n","")

    val mappedKmers: List[Map[String,Int]] = getMappedKmers(5, lines)

  }

  def getMappedKmers(k: Int, seq: String): List[Map[String, Int]] = {
    for (i <- 0 until seq.length - k) {
      Map(seq.substring(i, i+k), 1) // Map the k-mer to a count of 1
    }
  }
}

导入scala.io.Source
对象主体{
def main（参数：数组[字符串]）{
//从输入文件中获取所有行
val input=Source.fromFile（“input.txt”）.getLines.toArray
//创建一个巨大的字符串，其中包含除第一行以外的所有行
val lines=input.tail.mkString.replace（“\n”，”）
val mappedKmers:List[Map[String，Int]=getMappedKmers（5行）
}
def getMappedKmers（k:Int，seq:String）：List[Map[String，Int]={
对于（i），您的代码有三个相当小的问题

第一个是
for（i foo（i））
，这意味着您实际上没有对
的内容做任何事情，不管它是什么。您想要的是
for（i foo（i））
，并返回转换后的集合

第二个问题是
0直到seq.length-k
是一个
范围，而不是
列表，因此即使添加了
收益率
，结果仍然不会与声明的返回类型一致

第三个问题是
Map（k，v）
试图创建一个包含两个键值对的映射，
k
和
v
。您需要
Map（k->v）
或
Map（（k，v））
，这两个映射都明确表示您有一个参数对

因此，以下措施应该有效：

def getMappedKmers(k: Int, seq: String): IndexedSeq[Map[String, Int]] = {
  for (i <- 0 until seq.length - k) yield {
    Map(seq.substring(i, i + k) -> 1) // Map the k-mer to a count of 1
  }
}

我绝对建议使用类似于
“agcttc”.slideing（5）.toList.groupBy（identity）
的方法来获取真正的代码。
为什么要将每个kmer映射为
1
？它看起来可能只是一个kmer，因此返回的类型可能只是
List[String]
。因此，我建议的代码只是
seq slided k toList
。好的一点是，我实际上在一分钟前就尝试做了类似的事情。
1
之所以存在，是因为我试图使这段代码适应hadoop MapReduce作业中的字数计算方式，其中每个键都映射为1，而reduce函数ion累计每个钥匙的总数（在本例中为公里数）
scala> "AGCTTTC".sliding(5).foreach(println)
AGCTT
GCTTT
CTTTC