模糊正则表达式:替换的模糊计数始终为1

Question

我使用Python正则表达式模块进行近似字符串匹配。我有一个DNA序列，我想搜索一个特定的模式，同时最多允许1个取代：{s<=1}。在DNA序列中，多种模式是可以接受的。例如，前三个字符可以是"GAG"或"GAT"，同样的原理适用于DNA序列的其余部分。

我在下面做了一个例子，我想在一个9个字符长的字符串上使用regex搜索。据我所知，图案应该与字符串匹配，没有任何修饰。

然而，regex为我提供了一个模糊计数为1的替换匹配(见下文(。我不理解这一点，因为序列与模式相匹配。

import regex
dna_patt = regex.compile("((GAG|GAT)(TCT|GAA)(GCC|GGG|GGT)){s<=1}")
sequence = "GATGAAGGG"
print(dna_patt.search(sequence))

<regex.Match object; span=(0, 9), match='GATGAAGGG', fuzzy_counts=(1, 0, 0)>

当我去掉三个字符的多个选项时，这个问题就不会再发生了。

dna_patt = regex.compile("(GATGAAGGG){s<=1}")
print(dna_patt.search(sequence))

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

我的问题是：我在模式创建中做错了什么？还是我误解了模糊计数的工作原理？欢迎任何提示或改进。

Answer 1

来自regex模块文档：

默认情况下，模糊匹配搜索满足给定约束。

在您的情况下，使用GAG并执行一次替换来获得第一个匹配(因为GAG在GAT之前尝试(。您可以使用BESTMATCH标志来查找最佳匹配：

import regex
dna_patt = regex.compile("((GAG|GAT)(TCT|GAA)(GCC|GGG|GGT)){s<=1}", regex.BESTMATCH)
sequence = "GATGAAGGG"
print(dna_patt.search(sequence))

它给出：

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

Answer 2

您还可以使用字符类将G或T与GA[GT]进行匹配，以首次找到GAT。

如果之后不需要捕获组，可以使用(?:使其不捕获

import regex
dna_patt = regex.compile("(?:GA[GT](?:TCT|GAA)(?:GCC|GG[GT])){s<=1}")
sequence = "GATGAAGGG"
print(dna_patt.search(sequence))

结果

<regex.Match object; span=(0, 9), match='GATGAAGGG'>

Python演示