调整滑动窗口 Python 生成器函数以随机播放窗口

Question

我已在此处 (https://scipher.wordpress.com/2010/12/02/simple-sliding-window-iterator-in-python/) 调整了滑动窗口生成器功能以满足我的需要。这是我第一次使用生成器函数，所以我做了很多背景阅读。鉴于我（仍然）有限的经验，我正在就以下问题征求建议：

下面的代码是这样做的：我使用滑动窗口函数在大约 250 个字符的窗口中迭代一个 5,500 个字符的字符串（约 5,500 bp 的 DNA 序列），步长为 1。对于每个块，我将其 GC 内容与 750 行文件中的一行进行比较。 （GC 内容是等于 G 或 C 的字符串元素的百分比）。

但是，对于我的下游用途，我真的很想随机循环这些块。从我的 Stack Overflow 搜索中，我了解到无法对生成器对象进行混洗，并且我无法在函数内混洗窗口，因为它实际上一次搜索一个窗口，返回到下一个块的函数，因为那个“产量”。 （如果我误解了，请纠正我）。

目前，我的代码看起来像这样（当然，使用上面链接中的生成器函数）：

with open('/pathtofile/file.txt') as f:
    for line in f:
        line = line.rstrip()
        # For each target, grab target length (7), gc content (8)
        targ_length = line.split("\t")[8]
        gc = int(line.split("\t")[7])
        # Window size = amplicon length minus length of fwd and rev primers
        # Use a sliding window function to go along "my_seq" (5,500bp sequence). Check GC content for each window.
        chunks = slidingWindow(my_seq, targ_length, step=1)
        found = 0
        for i in chunks:
            # When GC content = same as file, save this window as the pos ctrl fragment & add primers to it
            dna_list = list(i)
            gc_count = dna_list.count("G") + dna_list.count("C")
            gc_frac = int((gc_count / len(dna_list)) * 100)
            # if (gc - 5) < gc_frac < (gc + 5):
            if gc_frac == gc:
                found = 1
                # Store this piece
                break
        if found == 0:
            # Store some info to look up later 

有人对最佳方法有想法吗？对我来说，最明显的（也基于 Stack Overflow 搜索）是在没有生成器函数的情况下重写它。我担心在包含大约 5,251 个元素的列表上循环 750 次。我可以做？生成器似乎是我想做的一个优雅的解决方案，除了现在我决定要随机化块顺序。显然我需要牺牲效率来做到这一点，但我想知道更有经验的编码人员是否有一些聪明的解决方案。谢谢！

Answer 1

我相信你是正确的，你不能随机化生成器的输出，但是随机化它实际生成输出的方式相对容易。这是 slidingWindow 生成器函数的修改版本，它使用 numpy 模块进行随机化（并设置可选种子）：

import numpy as np
def slidingWindow(sequence,winSize,step=1, seed=987):
    """Returns a generator that will iterate through
    the defined chunks of input sequence.  Input sequence
    must be iterable."""

    # Verify the inputs
    try:
        it = iter(sequence)
    except TypeError:
        raise Exception("**ERROR** sequence must be iterable.")
    if not ((type(winSize) == type(0)) and (type(step) == type(0))):
        raise Exception("**ERROR** type(winSize) and type(step) must be int.")
    if step > winSize:
        raise Exception("**ERROR** step must not be larger than winSize.")
    if winSize > len(sequence):
        raise Exception("**ERROR** winSize must not be larger than sequence length.")

    # set the seed for the pseudo-random number generator
    np.random.seed(seed)

    # Pre-compute number of chunks to emit
    numOfChunks = int(((len(sequence)-winSize)/step)+1)

    # Create a shuffled index of start points
    idx = np.arange(numOfChunks)
    np.random.shuffle(idx)

    # Do the work
    for i in range(0,numOfChunks*step,step):
        start_idx = idx[i]
        stop_idx = idx[i] + winSize
        yield sequence[start_idx:stop_idx]

然后您可以保持主代码不变，或者修改创建块的方式以设置不同的种子：

chunks = slidingWindow(my_seq, targ_length, step=1, seed=987)

Answer 2

我不是一个非常有经验的编码员（但我是生物科学的），但我有几个问题：

1. 您比较滑动窗口的 GC 百分比是否始终相同？

2. 您仍想以与当前相同的方式迭代您的序列吗？换句话说，您唯一要更改的是生成器产生答案的顺序吗？如果是这样，你可以做这样的事情

   import random chunks = [my_seq[i:i+targ_length] for i in range(len(seq))] random.shuffle(chunks)

我不确定我是否正确回答了您的问题，因为我不能 100% 确定它在问什么。