使用Python只保留字符串中的某些字符？

Question

在我的程序中，我有一個這樣的字符串：

ag ct oso gcota

使用python，我的目標是擺脫空白區域，只保留a，t，c和g字符。 我理解如何擺脫空白區域（我只是使用line = line.replace（“”，“”））。 但是，如果它們可能是字母表中的任何其他字母，我怎么能擺脫我不需要的字符呢？

Answer 1

一種非常優雅和快速的方法是使用正則表達式：

import re

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

"""str is now 'agctgcta"""

Answer 2

我可能會這樣做：

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

這可能是最簡單的方法。

---

另一個選擇是使用str.translate來完成工作：

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

我不確定哪個會表現得更好。 它需要通過timeit定時才能明確地知道。

---

更新 ：時間！

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（對我來說）， regex贏得了我的機器：

test_re 0.901512145996
test_join1 6.00346088409
test_join2 3.66561293602
translate 1.0741918087

Answer 3

在upvoting之前，人們是否測試了mgilson的test_re（）函數？ re.sub（）的參數是相反的，所以它在空字符串中進行替換，並且總是返回空字符串。

我在python 3.4中工作; string.translate（）只接受一個參數，一個字典。 因為構建這個dict有開銷，所以我把它移出了函數。 公平地說，我還將正則表達式編譯移出了函數（這沒有明顯的區別）。

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)))

以下是時間安排：

test_re 3.3141989699797705
test_join1 2.4452173250028864
test_join2 2.081048655003542
translate 1.9390292020107154

這太糟糕了，string.translate（）沒有選項來控制如何處理不在地圖中的字符。 當前的實現是保留它們，但是我們也可以選擇刪除它們，如果我們想要保留的字符遠遠少於我們要刪除的字符（哦，你好，unicode）。