Python正则表达式函数来计算子字符串的重复或划分子字符串？

Question

我希望您能帮助我指明正确的方向，因为我对编程尤其是 Python 非常陌生。我试图在较大的字符串中找到某些子字符串的最大重复计数。例如，'AGATC' 在更长的字符串中重复了多少次（它可能只出现在一个地方，但在另一个地方连续出现四次）。

我一直在为此阅读正则表达式并编写了下面的代码。它将成功地分别打印出每个模式的重复次数，但是，我需要知道它出现时的重复次数。我的代码的示例输出如下所示：

['AGATCAGATCAGATCAGATC', 'TATCTATCTATCTATCTATC', 'GAAA', 'GATA', 'AATG', 'GAAA', 'GAAA', 'GATA']

在这种情况下'AGATC' 出现四次，但'TATC' 重复五次，所以我需要它作为整数。如果有人有任何想法可以推动我前进，我将不胜感激。

这是我的完整代码：

import re

# Opens the textfile and stores it as a string
with open('STR.txt') as strfile: 
    for row in strfile:
        STRs = row

# Defines patterns we are searching for in STR
pattern1 = (r'(?:AGATC)+')
pattern2 = (r'(?:TTTTTTCT)+')
pattern3 = (r'(?:AATG)+')
pattern4 = (r'(?:TCTAG)+')
pattern5 = (r'(?:GATA)+')
pattern6 = (r'(?:TATC)+')
pattern7 = (r'(?:GAAA)+')
pattern8 = (r'(?:TCTG)+')

# Recompiles all patterns into one single pattern
mainpattern = re.compile("(%s|%s|%s|%s|%s|%s|%s|%s)" % (pattern1, pattern2, pattern3, pattern4, pattern5, pattern6, pattern7, pattern8))

# Finds the pattern matches in STR
STR_match = re.findall(mainpattern, STRs)

print(STR_match)

Answer 1

如果我正确理解您的问题，您可以为每种模式分别执行此操作，例如类似：

patterns = ('AGATC', 'TTTTTTCT', 'AATG', 'TCTAG', ...)
max_len = 0
max_pattern = None
for pattern in patterns:
    match = re.findall(f'(?:{pattern})+', STRs)
    if match:
        longest = sorted(match)[-1]  # last is the longest match
        l = len(longest)/len(pattern)
        if l > max_len:
            max_len = l
            max_pattern = pattern
print(f"{max_len} x {max_pattern}")

此匹配将返回所有连续匹配字符串的列表，如果您按字母顺序对它们进行排序，最长的字符串将始终是最后一个，因为它们重复了模式。然后您可以计算该字符串中的模式重复次数。
如果您只需要最长的重复次数，您可以计算这些数字的最大值，如图所示。