So finden Sie den ersten Großbuchstaben in der Zeichenfolge mit Python

Question

Ich bin ein Python-Neuling, aber habe eine Weile in anderen Sprachen programmiert. Ich habe eine lange Reihe von DNA (Kleinbuchstaben) und AA-Sequenzen (Großbuchstaben). Weiter am Anfang der Datei habe ich einen Proteinnamen in Großbuchstaben. Also sieht meine Datei so aus.

PROTEINNAMEatcgatcg ... JFENVKDFDFLK

Ich brauche die ersten nicht-Großbuchstaben in der Zeichenfolge zu finden, damit ich ausgeschnitten dann das Protein Namen. So, was ich von der oben wünschen würde, ist:

atcgatcg ... JFENVKDFDFLK

Ich kann dies mit einer Schleife tun, aber das scheint übertrieben und ineffizient. Gibt es einen einfachen Python-Weg, um es zu tun?

Ich kann alle Großbuchstaben mit re.findall ("[A-Z]", mystring), aber dann würde ich einen Vergleich durchführen müssen, um zu sehen, wo das Ergebnis von der ursprünglichen Zeichenfolge abweicht.

Danke!

Answer 1

Sie sind fast da mit Ihrem regex ... aber es gibt andere Methoden außer findall:

http://docs.python.org/library/re.html#re.sub

>>> import re 
>>> protein_regex = re.compile('^[A-Z]+') 
>>> dna = 'PROTEINNAMEatcgatcg... JFENVKDFDFLK' 
>>> protein_regex.sub('', dna) 
'atcgatcg... JFENVKDFDFLK' 

über die Leistung nicht sicher, aber Sie tun können, auch

>>> import string 
>>> dna.lstrip(string.uppercase) 
'atcgatcg... JFENVKDFDFLK' 

Und da hast du es:

python -m timeit -n 10000 -s 'import re' -s 'protein_regex = re.compile("^[A-Z]+")' -s 'dna = "PROTEINNAMEatcgatcg... JFENVKDFDFLK"' 'protein_regex.sub("", dna)' 
10000 loops, best of 3: 1.36 usec per loop 

python -m timeit -n 10000 -s 'import string' -s 'dna = "PROTEINNAMEatcgatcg... JFENVKDFDFLK"' 'dna.lstrip(string.uppercase)' 
10000 loops, best of 3: 0.444 usec per loop 

Der zweite scheint ~ 3 mal schneller zu sein.

Answer 2

Verwendung re.search():

import re 
s1 = "ASDFASDFASDFasdfasdfasdfasdfasdf" 
m = re.search("[a-z]", s1) 
if m: 
    print "Digit found at position %d" % m.start() 
else: 
    print "No digit in that string" 

Answer 3

die Sie interessieren, dann ist es so kurz wie es bekommen kann:

import re 
s = 'PROTEINNAMEatcgatcg... JFENVKDFDFLK' 
i = re.search('[a-z]', s).start() 
protein, sequences = s[:i], s[i:] 

print protein 
> PROTEINNAME 

print sequences 
> atcgatcg... JFENVKDFDFLK