【发布时间】:2016-01-05 16:36:37
【问题描述】:
我有一个这样的文件:
- ACCCTCGGCTACTACGACTAC
- GCTAGTCAGACTGAGCATGTCAGTC
- TAGCTAGCTGACTGACTACATCGAC
- GCTAGATGCTAGCGTATAGTCTGCTGAGTCTGAGT
- GTCAGTCATGTGACTGACGTATGCTATTA
上面的文件有点大,它有 9000 行,长度为 100-200 个字符。
我需要将这些行的子字符串插入到地图中,范围为 5(整个文件必须在同一个地图中)。
第一行是:ACCCTCGGCTACTACGACTAC 所以我需要加载到地图:
- ACCCTCGGCTACTACGACTAC 下一个
- ACCCTCGGCTACTACGACTAC 下一个
- ACCCTCGGCTACTACGACTAC 下一个
- ...
- ACCCTCGGCTACTACGACTAC
在此之后,我们加载第二行,第三行,直到 eof。
所以。我的第一个想法是:
map<string, set<string>> sequences;
int SEQLEN = 74; // cause we load 74 long substrings
while (getline(in, name) && getline(in, chain)) {
for (int i = 0; i + SEQLEN < chain.size(); i++) {
string subchain = chain.substr(i, SEQLEN);
sequences[subchain].insert(name);
}
}
但在此之后我们有一个地图,它消耗 4.5 GB 的 RAM,这是不可接受的,因为它应该工作的 PC 只有 2 GB 的:C
我听说过某种“指向字符串字符的指针”。如果存在这样的情况,我可以加载所有行并为这些子字符串保存指向“start char”和“end char”的指针,然后通过提供这个“范围”来加载它们。
你怎么看,有没有类似“指向字符串的特定字符的指针”之类的东西?
如果有人有任何想法,我将不胜感激:)
【问题讨论】:
-
如果你有最先进的编译器,
std::experimental::string_view,否则Booststring_ref。 -
创建一个存储所有行的映射和一个仅存储第一个映射中字符串的
(start, end)索引的第二个映射。 -
@kfx 问题基本上是如何做到这一点。
-
你的字符串是否真的编码了核碱基,还是它们看起来像巧合?
-
是的,它是大肠杆菌基因组