计算连续的字母和连字符，并将它们编码为游程长度

Question

如何对连字符的fasta格式字符串进行编码，以将所有连续的核苷酸和连字符以及encode them as run length分组。在

把我的序列看作“ATGC----CGCTA--G---”。字符串的序列是Nucleotide，后面是连字符序列。我尝试将所有连续的核苷酸分组为字母M，连续连字符为字母D，并以子序列的大小作为前缀。在

此编码的最终结果应该是4M4D5M5D1M3D。在

下面的图片进一步说明了这一点

ATGC----CGCTA-----G---
 |   |    |    |  |  |
 V   V    V    V  V  V
4M   4D  5M    5D 1M 3D

当我使用Counter或list.count()时，我得到"M":10 "D":12：

^{pr2}$

Answer 1

经典方法：

seq="ATGC  CGCTA  -G -"

def MD(c):
    if c.isalpha():return "M"
    else : return "D"

count=1
string=""
for i in range(len(seq)-1):
    if MD(seq[i])==MD(seq[i+1]): count+=1
    else: 
        string=string+str(count)+MD(seq[i])
        count=1
string=string+str(count)+MD(seq[-1])
print string

Answer 2

这个问题是itertools.groupby的理想问题

实施

from itertools import groupby
''.join('{}{}'.format(len(list(g)), 'DM'[k]) 
        for k, g in groupby(seq, key = str.isalpha))

输出 “4M4D5M5D1M3D”

说明

值得注意的是，关键功能在这里至关重要。根据是否是字母表对序列进行分组。一旦完成，就应该直接计算每个组的大小，并从关键元素中找出组的类型。在

对代码的一些解释

• 'DM'[k]：这只是表示"M" if k == True else "D"的一种巧妙方式
• len(list(g))：确定每个组的大小。或者，它可以写成sum(1 for e in g)
• '{}{}'.format：字符串格式，用于创建连续频率和类型的连接
• ''.join(：将列表元素作为字符串序列联接。在

Answer 3

import re
seq='ATGC  CGCTA  -G -'

output = ''
for section in re.split('(-*)', seq):
    if section.isalpha():
        output += str(len(section)) + 'M'
    elif section !='':
        output += str(len(section)) + 'D'
print output