我是 Python 新手，已经花了很多时间来解决这个问题，希望有人能帮助我。 我需要找到两个序列之间的重叠。重叠在第一个序列的左端和第二个序列的右端。 我希望该函数找到重叠部分并返回它。
我的序列是：
s1 = "CGATTCCAGGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTC"
s2 = "GGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTCGTCCAGACCCCTAGC"
我的函数应该命名
def getOverlap(left, right)
s1 是左序列，s2 是右序列。
结果应该是
‘GGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTC’
感谢任何帮助
【问题讨论】：
看看difflib 库，更准确地说是find_longest_match()：
import difflib
def get_overlap(s1, s2):
s = difflib.SequenceMatcher(None, s1, s2)
pos_a, pos_b, size = s.find_longest_match(0, len(s1), 0, len(s2))
return s1[pos_a:pos_a+size]
s1 = "CGATTCCAGGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTC"
s2 = "GGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTCGTCCAGACCCCTAGC"
print(get_overlap(s1, s2)) # GGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTC
【讨论】：
你可以使用difflib.SequenceMatcher:
d = difflib.SequenceMatcher(None,s1,s2)
>>> match = max(d.get_matching_blocks(),key=lambda x:x[2])
>>> match
Match(a=8, b=0, size=39)
>>> i,j,k = match
>>> d.a[i:i+k]
'GGCTCCCCACGGGGTACCCATAACTTGACAGTAGATCTC'
>>> d.a[i:i+k] == d.b[j:j+k]
True
>>> d.a == s1
True
>>> d.b == s2
True
【讨论】：
Knuth-Morris-Pratt 算法是一种在另一个字符串中查找一个字符串的好方法（因为我看到了 DNA，我猜你希望它扩展到...数十亿？）。
# Knuth-Morris-Pratt string matching
# David Eppstein, UC Irvine, 1 Mar 2002
from __future__ import generators
def KnuthMorrisPratt(text, pattern):
'''Yields all starting positions of copies of the pattern in the text.
Calling conventions are similar to string.find, but its arguments can be
lists or iterators, not just strings, it returns all matches, not just
the first one, and it does not need the whole text in memory at once.
Whenever it yields, it will have read the text exactly up to and including
the match that caused the yield.'''
# allow indexing into pattern and protect against change during yield
pattern = list(pattern)
# build table of shift amounts
shifts = [1] * (len(pattern) + 1)
shift = 1
for pos in range(len(pattern)):
while shift <= pos and pattern[pos] != pattern[pos-shift]:
shift += shifts[pos-shift]
shifts[pos+1] = shift
# do the actual search
startPos = 0
matchLen = 0
for c in text:
while matchLen == len(pattern) or \
matchLen >= 0 and pattern[matchLen] != c:
startPos += shifts[matchLen]
matchLen -= shifts[matchLen]
matchLen += 1
if matchLen == len(pattern):
yield startPos
The link where I got the KMP python code（和一个内置函数，由于运行时常量，它对于小问题会更快）。
为了获得最前沿的性能，请将字符串的前缀表和哈希窗口用作以 4 为底的整数（在生物学中，您将它们称为 k-mers 或 oligos）。 ; )
祝你好运！
编辑： 还有一个不错的技巧，您可以对包含第一个字符串中的每个前缀（总共 n 个）和第二个字符串中的每个前缀（总共 n 个）的列表进行排序。如果它们共享最大的公共子序列，那么它们在排序列表中一定是相邻的，因此从排序列表中最接近的另一个字符串中找到元素，然后取完全匹配的最长前缀。 :)
【讨论】：
def LongestCommonSubstring(S1, S2):
M = [[0]*(1+len(S2)) for i in xrange(1+len(S1))]
longest, x_longest = 0, 0
for x in xrange(1,1+len(S1)):
for y in xrange(1,1+len(S2)):
if S1[x-1] == S2[y-1]:
M[x][y] = M[x-1][y-1] + 1
if M[x][y]>longest:
longest = M[x][y]
x_longest = x
else:
M[x][y] = 0
return S1[x_longest-longest: x_longest]
【讨论】：