字符串正则表达式两个不匹配的Python

Question

如何扩展下面的代码以允许我探索子字符串和父字符串之间有 2 个或更少不匹配的所有实例？

子字符串：SSQP

字符串匹配到：SSPQQQQPSSSSQQQSSQPSPSQSSQPSSQPPSSSSQPSPSQSSQPSSSSQPSPSQSSQPSSSSQPSPSQ

这是一个示例，其中仅包含一种可能的不匹配：

>>> s = 'SSPQQQQPSSSSQQQSSQPSPSQSSQPSSQPPSSSSQPSPSQSSQPSSSSQPSPSQSSQPSSSSQPSPSQ'
>>> re.findall(r'(?=(SSQP|[A-Z]SQP|S[A-Z]QP|SS[A-Z]P|SSQ[A-Z]))', s)
['SSQQ', 'SSQP', 'SSQP', 'SSQP', 'SSQP', 'SSQP', 'SSQP', 'SSQP', 'SSQP']

显然，在上面的代码中合并两个不匹配的可能性将需要对所有可能的组合进行大量暴力输入。

如何扩展此代码（或重构此代码）以探索两个不匹配的可能性？

此外，我想修改我的输出，以便获得子字符串与字符串匹配的确切位置返回的数字索引（不是SSQQ 或SSQP）。

Answer 1

组合爆炸对于四分之二的错配来说并没有那么糟糕。

首先，请注意您可以省略 SSQP 本身，因为它包含在所有更宽松的情况下。

re.findall(r'(?=([A-Z]SQP|S[A-Z]QP|SS[A-Z]P|SSQ[A-Z]))', s)

所以，病例数是

               4!
C(4, 1) = ––––––––––––– = 4
          1! * (4 - 1)!

对于最多两个不匹配，案例数为

               4!
C(4, 2) = ––––––––––––– = 6
          2! * (4 - 2)!

即，

re.findall('(?=(SS..|S.Q.|S..P|.SQ.|.S.P|..QP))', s)

（为了简化说明，我冒昧写了. 而不是[A-Z]。）

---

获取匹配的位置而不是匹配的文本：

[match.start(0) for match in re.finditer('(?=(SS..|S.Q.|S..P|.SQ.|.S.P|..QP))', s)]

Answer 2

你不必在这里使用re，你可以使用itertools模块代替，节省大量内存。

您可以先提取所有长度为 4 的子字符串，然后将它们与您的 substring 进行比较，然后选择与您的 substring 相差小于 2 的子字符串：

from itertools import izip,islice,tee

def sub_findre(s,substring,diffnumber):
    sublen=len(substring)
    zip_gen=(izip(substring,islice(s,i,i+sublen)) for i in xrange(len(s)))
    for z in zip_gen:
        l,z=tee(z)
        if sum(1 for i,j in l if i==j)>=sublen-diffnumber:
            new=izip(*z)
            next(new)
            yield ''.join(next(new))

演示：

s='SSPQQQQPSSSSQQQSSQPSPSQSSQPSSQPPSSSSQPSPSQSSQPSSSSQPSPSQSSQPSSSSQPSPSQ'

substring='SSQP'
print list(sub_findre(s,substring,2))

['SSPQ', 'SPQQ', 'QQQP', 'SSSS', 'SSSQ', 'SSQQ', 'SQQQ', 'SSQP', 'PSQS', 'SSQP', 'SSQP', 'SQPP', 'SSSS', 'SSSQ', 'SSQP', 'PSQS', 'SSQP', 'SSSS', 'SSSQ', 'SSQP', 'PSQS', 'SSQP', 'SSSS', 'SSSQ', 'SSQP', 'PSQ']

如果要返回索引，则需要将索引放入izip，您可以使用itertools.repeat() 重复索引长度为substring：

from itertools import izip,islice,tee,repeat

def sub_findre(s,substring,diffnumber):
    sublen=len(substring)
    zip_gen=(izip(substring,islice(s,i,i+sublen),repeat(i,sublen)) for i in xrange(len(s)))
    for z in zip_gen:
        l,z=tee(z)
        if sum(1 for i,j,_ in l if i==j)>=sublen-diffnumber:
            new=izip(*z)
            next(new)
            next(new)
            yield next(new)[0]

演示：

print list(sub_findre(s,substring,2))
[0, 1, 4, 8, 9, 10, 11, 15, 20, 23, 27, 28, 32, 33, 34, 39, 42, 46, 47, 48, 53, 56, 60, 61, 62, 67]