在具有汉明距离的较大字符串中搜索子字符串的存在

Question

我有 2 个文件，file1 和 file2 文件 1 具有完整字符串“abcdef”的所有 4-mer、5-mer 和 6-mer 子字符串

file2 有更长的字符串，如

ddghtgabcdtttfwe

dghtgabdatttfwe

hhttaaddsbcdeggd

等我想看看 file2 中的字符串是否与 file1 中的字符串匹配，允许一些不匹配（最大汉明距离 2）。 例如 ddghtgabcdtttfwe 和 ddghtgabcdatttfwe 分别是子串 abcd 和 abcd,abcde 的命中。 你能建议一个在python中做到这一点的好方法吗

Answer 1

部分解决方案：

def hamming(s1,s2):
    return len([(c1,c2) for (c1,c2) in zip(s1,s2) if c1 != c2])

进而：

def almostIn(s1,s2):
    n = len(s1)
    for s in (s2[i:i+n] for i in range(1 + len(s2)-n)):
        if hamming(s1,s) <= 2: return True
    return False

如果 s1 在汉明距离 <= 2 的情况下出现在 s2 中，那么后面的函数将返回 True。有一定数量的重新扫描相同的字符，因此这可能不是最佳的，但可能足以满足您的预期应用程序。