Python 正则表达式模块模糊匹配：替换计数不如预期答案

【问题标题】：Python regex module fuzzy match: substitution count not as expectedPython 正则表达式模块模糊匹配：替换计数不如预期
【发布时间】：2015-09-20 12:35:28
【问题描述】：

背景

Python 模块regex 允许模糊匹配。

您可以指定允许的替换次数 (s)、插入次数 (i)、删除次数 (d) 和错误总数 (e)。

匹配结果的fuzzy_counts属性返回一个元组（0,0,0），其中：

match.fuzzy_counts[0] = count for 's' 
match.fuzzy_counts[1] = count for 'i' 
match.fuzzy_counts[2] = count for 'd'

问题

删除和插入按预期计算，而不是替换。

在下面的示例中，唯一的变化是查询中删除了单个字符，但替换计数为 6（如果删除了 BESTMATCH 选项，则为 7）。

换人数如何计算？

如果有人能向我解释这是如何工作的，我将不胜感激。

>>> import regex
>>> reference = "(TATGGGA[CT][GC]AAAG[CT]CT[AC]AA[GA]CCATGTG){s<7,i<3,d<3,e<8}"
>>> query = "TATGGACCAAAGTCTCAAGCCATGTG" 
>>> match = regex.search(reference, query, regex.BESTMATCH)
>>> print(match.fuzzy_counts)
(6,0,1)

【问题讨论】：

标签： python regex mismatch dna-sequence fuzzy-comparison

【解决方案1】：

问题似乎与允许的错误设置中的值有关。

将 s 减小到 s

>>> reference = "(TATGGGA[CT][GC]AAAG[CT]CT[AC]AA[GA]CCATGTG){s<3,i<3,d<3,e<4}" 
>>> query = "TATGGACCAAAGTCTCAAGCCATGTG"  
>>> match = regex.search(reference, query, regex.BESTMATCH)
>>> print(match.fuzzy_counts) 
(1,0,1)

减少 's' 的允许错误甚至进一步返回此匹配的预期 's' 分数：

>>> reference = "(TATGGGA[CT][GC]AAAG[CT]CT[AC]AA[GA]CCATGTG){s<2,i<3,d<3,e<4}"
>>> query = "TATGGACCAAAGTCTCAAGCCATGTG" 
>>> match = regex.search(reference, query, regex.BESTMATCH)
>>> print(match.fuzzy_counts)
(0,0,1)

为什么它会以这种方式运行对我来说仍然是个谜。

【讨论】：

此行为似乎已修复（正则表达式版本 2.4.106）所有上述示例现在都返回正确的插入/替换分数 (0,0,1)

【解决方案2】：

这是由 regex 模块的成本计算中的一个错误引起的。在 regex 版本 2015.10.05 之前它仍然存在，但在下一个版本 2015.10.22 中已修复，如下所示：

$ sudo pip3 install regex==2015.10.05
Processing /root/.cache/pip/wheels/24/cb/ae/9653e30c8f801544a645e17d26fa6803aeaf76ad0482663c27/regex-2015.10.5-cp38-cp38-linux_x86_64.whl
Installing collected packages: regex
Successfully installed regex-2015.10.5
$ python3 -c 'import regex; reference = "(TATGGGA[CT][GC]AAAG[CT]CT[AC]AA[GA]CCATGTG){s<7,i<3,d<3,e<8}"; query = "TATGGACCAAAGTCTCAAGCCATGTG"; match = regex.search(reference, query, regex.BESTMATCH);print(match.fuzzy_counts)'
(5, 0, 1)
$ sudo pip3 install regex==2015.10.22
Processing /root/.cache/pip/wheels/60/f6/9a/23e723633e62a79064cb301c54a3b50482b8c690f86c9983ee/regex-2015.10.22-cp38-cp38-linux_x86_64.whl
Installing collected packages: regex
  Found existing installation: regex 2015.10.5
    Uninstalling regex-2015.10.5:
      Successfully uninstalled regex-2015.10.5
Successfully installed regex-2015.10.22
$ python3 -c 'import regex; reference = "(TATGGGA[CT][GC]AAAG[CT]CT[AC]AA[GA]CCATGTG){s<7,i<3,d<3,e<8}"; query = "TATGGACCAAAGTCTCAAGCCATGTG"; match = regex.search(reference, query, regex.BESTMATCH);print(match.fuzzy_counts)'
(0, 0, 1)

鉴于这些日期，我推断修复错误的提交是https://bitbucket.org/mrabarnett/mrab-regex/commits/296c1daf86619039c6fe55868e7d861097d01aae，并附有说明

汞问题 161：意外的模糊匹配结果

修复了错误并进行了一些相关的整理。

引用的错误是https://bitbucket.org/mrabarnett/mrab-regex/issues/161。

【讨论】：