根据同一lis中的下一个项目从列表中删除项目

Question

我刚开始学习python，这里有一个蛋白质序列的分类列表（共59000个序列），其中一些是重叠的。我在这里列出了一个玩具清单，例如：

ABCDE
ABCDEFG
ABCDEFGH
ABCDEFGHIJKLMNO
CEST
DBTSFDE
DBTSFDEO
EOEUDNBNUW
EOEUDNBNUWD
EAEUDNBNUW
FEOEUDNBNUW
FG
FGH

我想去掉那些较短的重叠，只保留最长的一个，这样期望的输出如下所示：

^{pr2}$

我该怎么做？我的代码如下：

with open('toy.txt' ,'r') as f:
    pattern = f.read().splitlines()
    print pattern

    for i in range(0, len(pattern)):
        if pattern[i] in pattern[i+1]:
            pattern.remove(pattern[i])
        print pattern

我收到了错误信息：

['ABCDE', 'ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']
Traceback (most recent call last):
  File "test.py", line 8, in <module>
    if pattern[i] in pattern[i+1]:
IndexError: list index out of range

Answer 1

您可以使用^{}和max()来帮助您：

from itertools import groupby

with open('toy.txt') as f_input:
    for key, group in groupby(f_input, lambda x: x[:2]):
        print(max(group, key=lambda x: len(x)).strip())

这将显示：

^{pr2}$

groupby()的工作原理是基于函数返回匹配项的列表，在本例中是具有相同前2个字符的连续行。然后，max()函数接受此列表并返回长度最长的列表项。在

Answer 2

还有其他可行的答案，但没有一个能解释你的实际问题。你实际上已经接近一个有效的解决方案，在我看来，什么是最可读的答案。在

错误来自这样一个事实，即在使用range()检查索引时，对同一个列表进行了变异。

因此，在增加i变量时，您正在从列表中删除项，这在某一点上不可避免地导致index error。在

因此，这里是您的初始代码的一个工作版本

pattern = ["ABCDE","ABCDEFG","ABCDEFGH","ABCDEFGHIJKLMNO","CEST","DBTSFDE","DBTSFDEO","EOEUDNBNUW","EAEUDNBNUW","FG","FGH"]
output_pattern = []


for i in range(0, (len(pattern)-1)):
    if not pattern[i] in pattern[i+1]:
        output_pattern.append(pattern[i]) 

# Adding the last item
output_pattern.append(pattern[-1])   
print (output_pattern)

>>>> ['ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']    

请注意，如果您的列表是按照您在注释部分中提到的那样进行排序的，则此代码将有效。在

这段代码在做什么？

基本上，它使用与初始答案相同的逻辑，在这个逻辑中迭代列表并检查下一项是否包含当前项。但是，使用另一个列表并迭代到before last项，可以解决索引问题。但现在有个问题

最后一项该怎么办？

由于列表是排序的，您可以认为最后一项始终是唯一的。这就是为什么我用

^{pr2}$

添加初始列表的最后一项。在

重要提示

这个答案是针对OP最初的问题写的，他想保持较长的重叠，我根据同一列表中的下一项引用。正如@Chris_Rands所说，如果你的担忧与生物任务有关，并且需要找到任何重叠，那么这个解决方案不适合你的需要。在

此代码无法识别潜在重叠的示例

pattern = ["ACD", "AD", "BACD"]

它将输出相同的结果而不删除可能的"ACD"重叠。现在，就像澄清一样，这意味着一个更复杂的算法，我最初认为这超出了问题的要求范围。如果这是你的情况，我可能完全错了，但是我真的认为C++实现似乎更合适。看看@Chris_Rands在评论部分建议的CD-Hit算法。在

Answer 3

# assuming list is sorted:
pattern = ["ABCDE",
"ABCDEFG",
"ABCDEFGH",
"ABCDEFGHIJKLMNO",
"CEST",
"DBTSFDE",
"DBTSFDEO",
"EOEUDNBNUW",
"EAEUDNBNUW",
"FG",
"FGH"]

pattern = list(reversed(pattern))

def iterate_patterns():
    while pattern:
        i = pattern.pop()
        throw_it_away = False
        for p in pattern:
            if p.startswith(i):
                throw_it_away = True
                break
        if throw_it_away == False:
            yield i

print(list(iterate_patterns()))

输出：

['ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']