我正在做一些测序分析,并且我正在尝试根据一些标识符创建默认的遗传序列字典。因此,请看下面的示例,我创建了一个字典,并将两个序列AGAGAG
和ATATAT
放在同一列表中,因为它们具有相同的标识符CCCCCC
:
输入:
CCCCCCAGAGAG
CCCCCCATATAT
码:
from collections import defaultdict
d = defaultdict(list)
d['CCCCCC'].append('AGAGAG')
d['CCCCCC'].append('ATATAT')
我的问题是,如果键序列在levenshtein距离1之内,我希望将其视为相同的键。所以,如果我遇到一个看起来像这样的序列:
CCCCCTACACAC
我想浏览一下字典,看是否有
CCCCCC
并看到distance('CCCCCC', 'CCCCCT') < 2
,所以也许将CCCCCA
更改为CCCCCC
,然后追加到上述相同的列表中。希望有一个很好的方法可以做到这一点。谢谢。
最佳答案
您可以使用difflib.SequenceMatcher
返回相等序列的1,也可以将其差值用于compare:
在这种情况下 :
>>> import difflib
>>> difflib.SequenceMatcher(None,'CCCCCC', 'CCCCCT').ratio()
0.8333333333333334
演示:
>>> from itertools import combinations
>>> import difflib
>>> li=['AAAAAAACDCBA', 'CCCCCCATATAT', 'CCCCCCAGAGAG', 'CCCCCTACACAC', 'AAAAAAACACAC']
>>> d = defaultdict(list)
>>> for i in li:
... d[i[:6]].append(i[6:])
...
>>> keys=d.keys()
>>> for i,j in combinations(keys,2):
... if difflib.SequenceMatcher(None,i, j).ratio()>0.8:
... d[i].extend(d[j])
... del d[j]
...
>>> d
defaultdict(<type 'list'>, {'AAAAAA': ['ACDCBA', 'ACACAC'], 'CCCCCC': ['ATATAT', 'AGAGAG', 'ACACAC']})
>>>