您将4个不同“数字”的字符串解释为数字,因此以4为基数.如果您有一串实际数字,范围为0-3,则可以让int()真正快速地生成一个整数.

def seq_to_int(seq, _m=str.maketrans('ACGT', '0123')):

return int(seq.translate(_m), 4)

上面的函数使用str.translate()用匹配的数字替换4个字符中的每个字符(我使用静态str.maketrans() function创建转换表).然后将所得的数字字符串解释为以4为底的整数.

请注意,这将生成一个整数对象,而不是零和一个字符的二进制字符串：

>>> seq_to_int('TGTGAGAAGCACCATAAAAGGCGTTGTG')

67026852874722286

>>> format(seq_to_int('TGTGAGAAGCACCATAAAAGGCGTTGTG'), '016x')

'00ee20914c029bee'

>>> format(seq_to_int('TGTGAGAAGCACCATAAAAGGCGTTGTG'), '064b')

'0000000011101110001000001001000101001100000000101001101111101110'

这里不需要填充；只要您的输入序列为32个字母或更少,则结果整数将适合无符号8字节整数表示形式.在上面的输出示例中,我使用format()字符串分别将该整数值格式化为十六进制和二进制字符串,然后将这些表示形式零填充到64位数字的正确位数.

为了衡量这是否更快,让我们随机抽取一百万个测试字符串(每个字符串长28个字符)：

>>> from random import choice

>>> testvalues = [''.join([choice('ATCG') for _ in range(28)]) for _ in range(10 ** 6)]

在使用2.9 GHz Intel Core i7的Macbook Pro和Python 3.6.5上,上述功能可以在3/4秒内产生100万次转换：

>>> from timeit import timeit

>>> timeit('seq_to_int(next(tviter))', 'from __main__ import testvalues, seq_to_int; tviter=iter(testvalues)')

0.7316284350017668

因此,每个通话为0.73微秒.

(以前,我提倡使用预计算版本,但经过试验,我采用了以4为底的想法).

要将其与到目前为止发布的其他方法进行比较,还需要调整一些方法以产生整数,并将其包装到函数中：

def seq_to_int_alexhall_a(seq, mapping={'A': b'00', 'C': b'01', 'G': b'10', 'T': b'11'}):

return int(b''.join(map(mapping.__getitem__, seq)), 2)

def seq_to_int_alexhall_b(seq, mapping={'A': b'00', 'C': b'01', 'G': b'10', 'T': b'11'}):

return int(b''.join([mapping[c] for c in seq]), 2)

def seq_to_int_jonathan_may(seq, mapping={'A': 0b00, 'C': 0b01, 'G': 0b10, 'T': 0b11}):

result = 0

for char in seq:

result = result << 2

result = result | mapping[char]

return result

然后我们可以比较这些：

>>> testfunctions = {

... 'Alex Hall (A)': seq_to_int_alexhall_a,

... 'Alex Hall (B)': seq_to_int_alexhall_b,

... 'Jonathan May': seq_to_int_jonathan_may,

... # base_decode as defined in https://stackoverflow.com/a/50239330

... 'martineau': base_decode,

... 'Martijn Pieters': seq_to_int,

... }

>>> setup = """\

... from __main__ import testvalues, {} as testfunction

... tviter = iter(testvalues)

... """

>>> for name, f in testfunctions.items():

... res = timeit('testfunction(next(tviter))', setup.format(f.__name__))

... print(f'{name:>15}: {res:8.5f}')

...

Alex Hall (A): 2.17879

Alex Hall (B): 2.40771

Jonathan May: 3.30303

martineau: 16.60615

Martijn Pieters: 0.73452

我提出的以4为基的方法很容易赢得这一比较.