我有2个大约100000000行的文件,需要相互比较。正如标题中所述,我想将文件中的每一行相互比较。我有下面的代码,这是绝对好的工作,但我希望调整它,以便如果不匹配发生在一个长匹配,那么它是接受的错配水平为5%。在
下面是我用来匹配文件行的函数。在
ret1 = []
merging = {}
def slide_merge(seq1, seq2):
for i in xrange(min(len(seq1), len(seq2))):
if seq1[i] == 'N':
ret1.append(seq1[i])
print (''.join(ret1))
elif seq2[i] == 'N':
ret1.append(seq1[i])
print (''.join(ret1))
elif seq1[i] != seq2[i]:
break
else:
ret1.append(seq1[i])
print (''.join(ret1))
print ("strings share a longest common prefix of length:", len(ret1), "out of:", len(seq1))
ret1len = len(ret1)
merging[''.join(ret1)] = ret1len # Adds details to dictionary
return merging
下面的代码是如何在代码中使用上述函数以及如何获得最长匹配。在
^{pr2}$如果有关系的话,我用HTSeq输入基因测序文件。在
所以问题是,我该如何调整这段代码,或者制作另一段代码来比较两个字符串,从一开始就确定最长的匹配序列,同时允许5%的不匹配发生,例如:
string1 = AAAAATTTTTCCCCCGGGGGTTTTT
string2 = AAAAATTTTTCCCCCGGGGATTTTT
代码应该看到两个字符串完全匹配,除了1个字符之外,但是由于这不到总数的5%,所以匹配区域应该声明为: 匹配的 25
您可以计算这些单词之间的Levenshtein distance,然后找到“这些单词之间不匹配”的百分比。在
提供了一个实现的例子here。在
假设计算两个字符串之间距离的函数称为
dis_lev
,可以这样计算百分比:例如,使用您的示例和我提供的链接中提供的迭代实现:
^{pr2}$编辑:根据您的情况,您可以使用另一个度量,其中一些被列出here
相关问题 更多 >
编程相关推荐