python - 在Python中根据字典/列表标记单词

我有以下基因名称词典：

gene_dict = {"repA1":1, "leuB":1}
# the actual dictionary is longer, around ~30K entries.
# or in list format
# gene_list = ["repA1", "leuB"]

我想做的是给任何一个句子，我们搜索包含在上面字典中的词，然后给它们加上标签。
例如，给出这句话：

mytext = "xxxxx repA1 yyyy REPA1 zzz."

然后将标记为：

xxxxx <GENE>repA1</GENE> yyyy <GENE>REPA1</GENE> zzz.

有什么有效的方法可以做到吗？实际上，我们会处理数百万个句子。

最佳答案

如果“gene_list”在不太长的时间内，可以使用编译后的正则表达式，如

import re

gene_list = ["repA1", "leuB"]
regexp = re.compile('|'.join(gene_list), flags=re.IGNORECASE)
result = re.sub(regexp, r'<GENE>\g<0></GENE>', 'xxxxx repA1 yyyy REPA1 zzz.')

把你所有的句子都圈起来。我想这应该很快。