python - 使用 Python 只保留字符串中的某些字符？

Question

在我的程序中，我有一个这样的字符串：

ag ct oso gcota

使用 python，我的目标是去掉空格，只保留 a、t、c 和 g 字符。我了解如何摆脱空白（我只是使用 line = line.replace(" ", "")）。但是，当它们可能是字母表中的任何其他字母时，我怎样才能摆脱我不需要的字符呢？

Answer 1

一个非常优雅和快速的方法是使用正则表达式：

import re

str = 'ag ct oso gcota'
str = re.sub('[^atcg]', '', str)

"""str is now 'agctgcta"""

Answer 2

我可能会做类似的事情：

chars_i_want = set('atcg')
final_string = ''.join(c for c in start_string if c in chars_i_want)

这可能是最简单的方法。

---

另一种选择是str.translate用来做这项工作：

import string
chars_to_remove = string.printable.translate(None,'acgt')
final_string = start_string.translate(None,chars_to_remove)

我不确定哪个会更好。需要通过定时timeit才能确定。

---

更新：时间！

import re
import string

def test_re(s,regex=re.compile('[^atgc]')):
    return regex.sub(s,'')

def test_join1(s,chars_keep=set('atgc')):
    return ''.join(c for c in s if c in chars_keep)

def test_join2(s,chars_keep=set('atgc')):
    """ list-comp is faster, but less 'idiomatic' """
    return ''.join([c for c in s if c in chars_keep])

def translate(s,chars_to_remove = string.printable.translate(None,'acgt')):
    return s.translate(None,chars_to_remove)

import timeit

s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
    print func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func))

可悲的是（对我来说），regex在我的机器上获胜：

test_re 0.901512145996
test_join1 6.00346088409
test_join2 3.66561293602
translate 1.0741918087

Answer 3

人们在投票之前是否测试了 mgilson 的 test_re() 函数？re.sub()的参数是相反的，所以它在一个空字符串中进行替换，并且总是返回空字符串。

我在 python 3.4 中工作；string.translate() 只接受一个参数，一个字典。因为构建这个字典有开销，所以我把它移出了函数。公平地说，我还将正则表达式编译移出函数（这并没有产生明显的差异）。

import re
import string

regex=re.compile('[^atgc]')

chars_to_remove = string.printable.translate({ ord('a'): None, ord('c'): None, ord('g'): None, ord('t'): None })
cmap = {}
for c in chars_to_remove:
    cmap[ord(c)] = None

def test_re(s):
    return regex.sub('',s)

def test_join1(s,chars_keep=set('atgc')):
    return ''.join(c for c in s if c in chars_keep)

def test_join2(s,chars_keep=set('atgc')):
    """ list-comp is faster, but less 'idiomatic' """
    return ''.join([c for c in s if c in chars_keep])

def translate(s):
    return s.translate(cmap)

import timeit

s = 'ag ct oso gcota'
for func in "test_re","test_join1","test_join2","translate":
    print(func,timeit.timeit('{0}(s)'.format(func),'from __main__ import s,{0}'.format(func)))

以下是时间安排：

test_re 3.3141989699797705
test_join1 2.4452173250028864
test_join2 2.081048655003542
translate 1.9390292020107154

太糟糕了 string.translate() 没有选项来控制如何处理不在地图中的字符。当前的实现是保留它们，但我们也可以选择删除它们，以防我们想要保留的字符远少于我们想要删除的字符（哦，你好，unicode）。