时间戳

首页 > 解决方案 > 计算字符串中两个字母对的最快方法

python - 计算字符串中两个字母对的最快方法

问题描述

计算字符串中两个字母对的数量的最快方法是什么（即 AA、AB、AC 等）？是否可以使用 numpy 来加快计算速度？

我正在使用列表理解str.count()，但这很慢。

import itertools

seq = 'MRNLAIIPARSGSKGLKDKNIKLLSGKPLLAYTIEAARESGLFGEIMVSTDSQEYAD'\
      'IAKQWGANVPFLRSNELSNDTASSWDVVKEVIEGYKNLGTEFDTVVLLQPTSPLRTS'\
      'IEGYKIMKEKDANFVVGVCEMDHSPLWANTLPEDLSMENFIRPEVVKMPRQSIPTYY'\
      'RINGALYIVKVDYLMRTSDIYGERSIASVMRKENSIDIDNQMDFTIAEVLISERSKK'

chars = list('ACDEFGHIKLMNPQRSTVWY')
pairs = [''.join(pair) for pair in itertools.product(chars, chars)]
print(pairs[:10])
print(len(pairs))

['AA', 'AC', 'AD', 'AE', 'AF', 'AG', 'AH', 'AI', 'AK', 'AL']
400

%timeit counts = np.array([seq.count(pair) for pair in pairs])
231 µs ± 5.88 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

print counts[:10]
[0, 1, 1, 0, 0, 0, 1, 1, 1, 0]

标签： pythonstringperformancenumpylist-comprehension

解决方案

如果您不介意在字典中获取计数，则集合中的 Counter 类的处理速度会快 2-3 倍：

from collections import Counter
chars  = set('ACDEFGHIKLMNPQRSTVWY')
counts = Counter( a+b for a,b in zip(seq,seq[1:]) if a in chars and b in chars)

print(counts)
Counter({'RS': 4, 'VV': 4, 'SI': 4, 'MR': 3, 'SG': 3, 'LL': 3, 'LS': 3, 
         'PL': 3, 'IE': 3, 'DI': 3, 'IA': 3, 'AN': 3, 'VK': 3, 'KE': 3, 
         'EV': 3, 'TS': 3, 'NL': 2, 'LA': 2, 'IP': 2, 'AR': 2, 'SK': 2, 
         ...

这种方法将正确计算重复 3 次或更多次的相同字符的序列（即，“WWW”对于“WW”将计为 2，而 seq.count() 或 re.findall() 仅计为 1）。

请记住，他的 Counter 字典将为 counts['LC'] 返回零，但 counts.items() 将不包含 'LC' 或实际上不在字符串中的任何其他对。

如果需要，您可以在第二步中获得所有理论对的计数：

from itertools import product
chars = 'ACDEFGHIKLMNPQRSTVWY'
print([counts[a+b] for a,b in product(chars,chars)][:10])
[1, 0, 1, 1, 0, 0, 0, 1, 1, 1]

推荐阅读