Fuzzy正则表达式：替换的Fuzzy计数始终为1

Question

我使用Python正则表达式模块进行近似字符串匹配。我有一个DNA序列，我想搜索一个特定的模式，同时允许最多1个替换：{s<；=1}。在DNA序列中，多种模式是可以接受的。例如，前三个字符可以是“GAG”或“GAT”，同样的原理适用于其余的DNA序列

我在下面举了一个例子，我想在一个9个字符长的字符串上使用正则表达式搜索。据我所知，模式应该与字符串匹配，而不进行任何替换

然而，regex给了我一个模糊计数为1的替换匹配（见下文）。我不明白这一点，因为序列与模式匹配

import regex

dna_patt = regex.compile("((GAG|GAT)(TCT|GAA)(GCC|GGG|GGT)){s<=1}")
sequence = "GATGAAGGG"

print(dna_patt.search(sequence))

<regex.Match object; span=(0, 9), match='GATGAAGGG', fuzzy_counts=(1, 0, 0)>

当我不再为这三个字符设置多个选项时，这个问题就不再发生了

dna_patt = regex.compile("(GATGAAGGG){s<=1}")

print(dna_patt.search(sequence))

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

我的问题是：我在创建模式时做错了什么？还是我误解了模糊计数的工作原理？欢迎提供任何提示或改进

Answer 1

从regex模块文档中：

By default, fuzzy matching searches for the first match that meets the given constraints.

在您的例子中，第一个匹配是使用GAG并执行一次替换来获得的（因为GAG在GAT之前进行了尝试）。您可以使用BESTMATCH标志来查找最佳匹配：

import regex

dna_patt = regex.compile("((GAG|GAT)(TCT|GAA)(GCC|GGG|GGT)){s<=1}", regex.BESTMATCH)
sequence = "GATGAAGGG"

print(dna_patt.search(sequence))

它给出：

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

Answer 2

您还可以使用字符类将G或T与GA[GT]匹配，以便第一次找到GAT

如果以后不需要捕获组，可以使用(?:使它们成为非捕获组

import regex

dna_patt = regex.compile("(?:GA[GT](?:TCT|GAA)(?:GCC|GG[GT])){s<=1}")
sequence = "GATGAAGGG"

print(dna_patt.search(sequence))

结果

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

Python demo