为什么我的 for 循环（python）在 4 次迭代后会改变行为？

Question

我正在尝试编写一个程序，该程序在定义长度的 DNA 序列的元素中进行转换，但我无法理解从循环中得到的输出。对于循环的前四次迭代，它似乎可以很好地移码，然后似乎恢复到旧序列。我已经非常努力地理解这种行为，但我对编程太陌生，无法解决这个问题，非常感谢任何帮助。

这是我的代码：

seq = "ACTGCATTTTGCATTTT"

search = "TGCATTTTG"

import regex as re

def kmers(text,n):
  for a in text:
    b = text[text.index(a):text.index(a)+n]
    c = len(re.findall(b, text, overlapped=True))
    print ("the count for " + b + " is " + str(c))

(kmers(seq,3))

和我的输出：

the count for ACT is 1
the count for CTG is 1
the count for TGC is 2
the count for GCA is 2
#I expected 'CAT' next, from here on I don't understand the behaviour

the count for CTG is 1 
the count for ACT is 1
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for GCA is 2
the count for CTG is 1
the count for ACT is 1
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2
the count for TGC is 2

很明显，最终我想删除重复项等，但我被困在为什么我的 for 循环没有按照我的预期工作的问题上，这让我停止了我的工作以使其变得更好。

谢谢

Answer 1

text.index 总是返回找到的第一个索引。由于您逐个字母地迭代 seq，因此当您第一次点击之前找到的字母时，您会得到奇怪的结果。

第 5 个字母是第一个重复的，c，因此 text.index('c') 返回第一个 c 的索引，1，而不是 4，正如您所期望的那样 - 您重复了上一次点击 @ 987654327@.

这种方法效率低下 - 您似乎对跨索引而不是字母更感兴趣，所以我会使用：

for a in range(len(text)-(n-1)):
    b = text[a:a+n]
    c = len(re.findall(b, text, overlapped=True))
    print ("the count for " + b + " is " + str(c))

而不是每次都搜索索引，这既低效又在您的情况下会产生错误的结果。 findall 在这里也是一种低效的计数方式 - 字典，特别是 defaultdict 可能被构造为更有效地计数。

请注意，您已经可以使用不错的内置插件：

>>> from collections import Counter
>>> seq='ACTGCATTTTGCATTTT'
>>> Counter((seq[i:i+3] for i in range(len(seq)-2)))
Counter({'TTT': 4, 'TGC': 2, 'GCA': 2, 'CAT': 2, 'ATT': 2, 'ACT': 1, 'CTG': 1, 'TTG': 1})

最后的命中是字符串结束的地方，你可以忽略它们。