计数 DNA PSET6 CS50 中的重复 STR

Question

目前正在开发 CS50。我试图在文件 DNA 序列中计算 STR，但它总是多计。

我的意思是，例如：文件 DNA 中有多少“AGATC”连续重复。

此代码只是尝试找出如何准确计算那些重复的DNA。

import csv
import re
from sys import argv, exit

def main():
    if len(argv) != 3:
        print("Usage: python dna.py data.csv sequence.txt")
        exit(1)

    with open(argv[1]) as csv_file, open(argv[2]) as dna_file:
        reader = csv.reader(csv_file)
        #for row in reader:
        #    print(row)

        str_sequences = next(reader)[1:]

        dna = dna_file.read()
        for i in range(len(dna)):
            count = len(re.findall(str_sequences[0], dna))   # str_sequences[0] is 'AGATC'
        print(count)

main()

DNA 文件 11 (AGATC) 的结果：

$ python dna.py databases/large.csv sequences/11.txt
52

结果应该是 43。但是，对于 small.csv，它的计数准确。但对于大它总是超过计数。后来我知道我的代码计算了 DNA 文件（AGATC）中的所有匹配词。但任务是，您必须获取仅连续重复的 DNA，而忽略另一个相同的 DNA 是否再次出现。

{AGATCAGATCAGATCAGATC(T)TTTTAGATC}

那么，如果 DNA 击中 (T)，如何停止计数，并且不需要计算后面的 AGATC？ 我应该在我的代码中更改什么？特别是在我使用的 re.findall() 中。有人说用子串，怎么用子串呢？或者我可以像我一样使用正则表达式吗？

如果可以，请编写您的代码。对不起我的英语不好。

Answer 1

for 循环是错误的，它会继续计数序列，即使它们已经在循环的前面找到。我想你想改为循环 str_sequences。

类似：

seq_list = []

for STR in str_sequences:
    groups = re.findall(rf'(?:{STR})+', dna)
    if len(groups) == 0:
        seq_list.append('0')
    else:
        seq_list.append(str(max(map(lambda x: len(x)//len(STR), groups))))

print(seq_list)

另外，关于这个问题有很多posts。也许，您可以检查其中的一些来完成您的程序。