创建一个与输入字符串大小相同的事件向量

Question

我是python的新手，需要一些帮助。

我有一个字符串这样的ACAACGG

我现在想创建3个向量，其中的元素是特定字母的计数。

例如，对于“A”，这将产生（1123333） 为“C”，这将产生（0111222） 等

我不知道如何把计数结果成一个字符串或一个向量。 我相信这类似于计算字符串中字符的出现，但我不确定如何让它通过字符串并将计数值放在每个点上。

作为参考，我试图实现Burrows-Wheeler转换并将其用于字符串搜索。但是，我不确定如何为角色创建出现向量。

def bwt(s): 
    s = s + '$' 
    return ''.join([x[-1] for x in 
    sorted([s[i:] + s[:i] for i in range(len(s))])]) 

这给了我的转换，我试图创建它的发生向量。最终，我想用它来搜索DNA字符串中的重复序列。

任何帮助将不胜感激。

Answer 1

我不确定你想要什么类型的矢量，但是这里有一个函数，返回list的int s。

In [1]: def countervector(s, char): 
    ....:  c = 0 
    ....:  v = [] 
    ....:  for x in s: 
    ....:   if x == char: 
    ....:    c += 1 
    ....:   v.append(c) 
    ....:  return v 
    ....: 

In [2]: countervector('ACAACGG', 'A') 
Out[2]: [1, 1, 2, 3, 3, 3, 3] 

In [3]: countervector('ACAACGG', 'C') 
Out[3]: [0, 1, 1, 1, 2, 2, 2] 

此外，这里有一个更短的方式做到这一点，但它可能会是低效的长字符串：

def countervector(s, char): 
    return [s[:i+1].count(char) for i, _ in enumerate(s)] 

我希望它能帮助。

Answer 2

这里承诺的是我写的脚本。作为参考，我试图用Burrows-Wheeler变换在DNA串中进行重复匹配。基本上这个想法是采取一段长度为M的DNA链，并在该串中找到所有的重复序列。所以，举个例子，如果我有奇怪的acaacg并且搜索了大小为2的所有重复的子字符串，我会得到1的计数和0,3的起始位置。然后你可以键入字符串[0：2]和字符串[3：5]来验证它们确实匹配，并且它们的结果是“ac”。

如果有人有兴趣了解的挖洞轮车，就可以了维基百科搜索产生非常有用的结果。这是斯坦福大学的另一个来源，也很好地解释了这一点。 http://www.stanford.edu/class/cs262/notes/lecture5.pdf

现在，我还没有解决一些问题。首先，我使用n^2空间来创建BW变换。另外，我创建了一个后缀数组，对其进行排序，然后用数字替换，以创建可能占用一定空间的数字。然而，最后我只是真的存储了occ矩阵，最后一列和单词本身。

尽管内存问题的字符串大于4^7（得到这个工作的字符串大小为40,000，但没有更大的...），我会称这是一个成功，看到像以前的星期一，我唯一的新的在python中如何做是为了让它打印我的名字和你好世界。

# generate random string of DNA 
def get_string(length): 
    string="" 
    for i in range(length): 
     string += random.choice("ATGC") 
    return string 

# Make the BW transform from the generated string 
def make_bwt(word): 
    word = word + '$' 
    return ''.join([x[-1] for x in 
     sorted([word[i:] + word[:i] for i in range(len(word))])]) 
# Make the occurrence matrix from the transform   
def make_occ(bwt): 
    letters=set(bwt) 
    occ={} 
    for letter in letters: 
     c=0 
     occ[letter]=[] 
     for i in range(len(bwt)): 
      if bwt[i]==letter: 
      c+=1 
      occ[letter].append(c) 
    return occ 

# Get the initial starting locations for the Pos(x) values 
def get_starts(word): 
    list={} 
    word=word+"$" 
    for letter in set(word): 
     list[letter]=len([i for i in word if i < letter]) 
    return list 

# Single range finder for the BWT. This produces a first and last position for one read. 
def get_range(read,occ,pos): 
    read=read[::-1] 
    firstletter=read[0] 
    newread=read[1:len(read)] 
    readL=len(read) 
    F0=pos[firstletter] 
    L0=pos[firstletter]+occ[firstletter][-1]-1 

    F1=F0 
    L1=L0 
    for letter in newread: 
     F1=pos[letter]+occ[letter][F1-1] 
     L1=pos[letter]+occ[letter][L1] -1 
    return F1,L1 

# Iterate the single read finder over the entire string to search for duplicates 
def get_range_large(readlength,occ,pos,bwt): 
    output=[] 
    for i in range(0,len(bwt)-readlength): 
     output.append(get_range(word[i:(i+readlength)],occ,pos)) 
    return output 

# Create suffix array to use later 
def get_suf_array(word): 
    suffix_names=[word[i:] for i in range(len(word))] 
    suffix_position=range(0,len(word))     
    output=zip(suffix_names,suffix_position) 
    output.sort() 
    output2=[] 
    for i in range(len(output)):       
     output2.append(output[i][1]) 
    return output2 

# Remove single hits that were a result of using the substrings to scan the large string 
def keep_dupes(bwtrange): 
    mylist=[] 
    for i in range(0,len(bwtrange)): 
     if bwtrange[i][1]!=bwtrange[i][0]: 
      mylist.append(tuple(bwtrange[i])) 
    newset=set(mylist) 
    newlist=list(newset) 
    newlist.sort() 
    return newlist 

# Count the duplicate entries 
def count_dupes(hits): 
    c=0 
    for i in range(0,len(hits)): 
     sum=hits[i][1]-hits[i][0] 
     if sum > 0: 
      c=c+sum 
     else: 
      c 
    return c 

# Get the coordinates from BWT and use the suffix array to map them back to their original indices 
def get_coord(hits): 
    mylist=[] 
    for element in hits: 
     mylist.append(sa[element[0]-1:element[1]]) 
    return mylist 

# Use the coordinates to get the actual strings that are duplicated 
def get_dupstrings(coord,readlength): 
    output=[] 
    for element in coord: 
     temp=[] 
     for i in range(0,len(element)):   
      string=word[element[i]:(element[i]+readlength)] 
      temp.append(string) 
     output.append(temp) 
    return output 

# Merge the strings and the coordinates together for one big list. 
def together(dupstrings,coord): 
    output=[] 
    for i in range(0,len(coord)): 
     merge=dupstrings[i]+coord[i] 
     output.append(merge) 
    return output 

Now run the commands as follows 
import random # This is needed to generate a random string 
readlength=12 # pick read length 
word=get_string(4**7) # make random word 
bwt=make_bwt(word) # make bwt transform from word 
occ=make_occ(bwt) # make occurrence matrix 
pos=get_starts(word) # gets start positions of sorted first row  
bwtrange=get_range_large(readlength,occ,pos,bwt) # Runs the get_range function over all substrings in a string.  
sa=get_suf_array(word) # This function builds a suffix array and numbers it. 
hits=keep_dupes(bwtrange) # Pulls out the number of entries in the bwt results that have more than one hit. 
dupes=count_dupes(hits) # counts hits 
coord=get_coord(hits) # This part attempts to pull out the coordinates of the hits. 
dupstrings=get_dupstrings(coord,readlength) # pulls out all the duplicated strings 
strings_coord=together(dupstrings,coord) # puts coordinates and strings in one file for ease of viewing. 
print dupes 
print strings_coord