模糊正则表达式（例如 {e<=2}）在 Python 中的正确用法

Question

我试图找到与原始模式字符串“远离”最多两个错误的字符串（即它们最多相差两个字母）。

但是，以下代码没有按我的预期工作，至少从我对模糊正则表达式的理解来看：

import regex
res = regex.findall("(ATAGGAGAAGATGATGTATA){e<=2}", "ATAGAGCAAGATGATGTATA", overlapped=True)
print res
>> ['ATAGAGCAAGATGATGTATA']  # the second string

如您所见，这两个字符串在三个字母上不同，而不是最多两个：

第一个有：ATAG GAG AAGATGATGTATA

第二个有：ATAG AGC AAGATGATGTATA

然而结果显示第二个字符串，好像它在 e<=2 内（这也发生在重叠 = False 中，所以不可能是这样）。

我在这里想念什么？ 有没有办法让它在给定模式的 Hamming 2-ball 中只找到字符串？

字母交换是否有可能被认为只是一种变化？ 如果是这样 - 我该如何避免这种情况？

Answer 1

让我们检查一下这个片段的模糊计数：

>>> pattern_string = 'ATAGGAGAAGATGATGTATA'
>>> query_string = 'ATAGAGCAAGATGATGTATA'
>>> r = regex.compile('(%s){e<=2}' % pattern_string)
>>> r.match(query_string)
<regex.Match object; span=(0, 20), match='ATAGAGCAAGATGATGTATA', fuzzy_counts=(0, 1, 1)>

fuzzy_counts=(0, 1, 1)意味着在这种情况下，我们没有替换、1 次插入和 1 次删除。 因此，您的过滤器有效，因为错误总数为 2。

但似乎您只需要按替换计数进行过滤，因此您可以修改正则表达式：

import regex
res = regex.findall("(ATAGGAGAAGATGATGTATA){s<=2}", "ATAGAGCAAGATGATGTATA", overlapped=True)
print res

从docs检查这个很好的例子：

• {i<=3} 最多允许 3 次插入，但不允许其他类型
• {d<=3} 最多允许 3 次删除，但不允许其他类型
• {s<=3} 最多允许 3 个替换，但不允许其他类型
• {i<=1,s<=2} 最多允许 1 次插入和最多 2 次替换，但不允许删除
• {e<=3} 最多允许 3 个错误

• {1<=e<=3} 允许至少 1 个和最多 3 个错误

• {i<=2,d<=2,e<=3} 最多允许 2 个插入，最多 2 个删除，总共最多 3 个错误，但不允许替换

Answer 2

你的错误是假设“错误”与“替换”是一回事，但事实并非如此。

regex包的模糊匹配理解三种错误——插入、删除和替换。 如您所使用的，用e指定的误差距离可以由这些误差的任意组合组成。 而ATAGGAGAAGATGATGTATA可以编辑成ATAGAGCAAGATGATGTATA只需要两个这样的操作（1 个删除和 1 个插入），如下面的序列比对所示：

ATAGGAG-AAGATGATGTATA
ATAG-AGCAAGATGATGTATA

有没有办法让这个只找到给定模式的汉明 2 球内的字符串？

是的。 请注意，汉明距离是一种编辑距离，它测量将一个字符串编辑为另一个等长字符串所需的最小替换次数。 因此，要仅匹配 Hamming 2-ball 模式中的字符串，我们需要告诉regex匹配 2 个替换中的任何内容，我们可以通过使用s错误类型而不是e来做到这一点：

import regex
res = regex.findall("(ATAGGAGAAGATGATGTATA){s<=2}", "ATAGAGCAAGATGATGTATA", overlapped=True)
print res

字母交换是否有可能被认为只是一种变化？

不在当前的regex包中。 两个字符“交换”的标准艺术术语是“换位”。 包含作为可能编辑的换位的编辑距离（例如Dameau-Levenshtein 距离，其中编辑可以是相邻字符的插入、替换、删除或换位）确实存在并且对某些应用程序很有用（例如错字校正）。 但是，在撰写本文时， regex包中的模糊匹配根本不支持它们。