获取固定大小的子列表

Question

标题不清楚，但这是我想做的。

我有一个基因组链：

corpus_2 = ['TCAATCAC', 'GGGGGGGGGGG', 'AAAA']

我想提取固定大小的所有子列表。假设我想要4号的子列表。

我查找的结果示例：['TCAA', 'CAAT', 'AATC', 'ATCA', 'TCAC'], ['GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG'], ['AAAA']]

我们取索引0到索引3的子列表，然后添加一个新字符串等。

这是我的代码：

ngram_size=4
corpus=['TCAA', 'CAAT', 'AATC', 'ATCA', 'TCAC'], ['GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG'], ['AAAA']]
decoliste=[] #list output
listemp=[] # I add one list by one list, each of these list corresponds to a list in input list.
for element in self.corpus:
#             print(element)
decoliste.append(listemp)
listemp=[]
for i in range(len(element)):
try:
if len(element[i:i+self.ngram_size])==self.ngram_size:
listemp.append((element[i:i+self.ngram_size]))
except:
pass
decoliste.append(listemp)
del(decoliste[0])
print(decoliste)

我想知道你是否可以给我一些关于如何大幅改进这段代码的提示(它真的很长，老师不会喜欢它(。

Answer 1

对于每个字符串，您可以遍历0和它的长度减去ngram_size加1之间的所有索引，并从该索引开始获得一个子字符串。使用列表理解将所有这些放在一起实际上使其非常优雅：

result = [[e[i:i + ngram_size] for i in range(len(e) + 1 - ngram_size)] for e in corpus_2]

Answer 2

使用itertools.combinations:的替代解决方案

>>> from itertools import combinations
>>> corpus_2 = ['TCAATCAC', 'GGGGGGGGGGG', 'AAAA']
>>> size = 4
>>> [[s[i:j] for i, j in combinations(range(len(s) + 1), r=2) if j - i == size] for s in corpus_2]
[['TCAA', 'CAAT', 'AATC', 'ATCA', 'TCAC'], ['GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG', 'GGGG'], ['AAAA']]