expression régulière négative

**msiol** · 09/04/2010, 04h34

Bonjour,

je suis relativement débutant en Python (j'utilise la version 2.6) et je suis confronté au problème suivant:

j'ai une string qui contient à intervalles irréguliers des répétitions de 100 'N'. Je désire construire une expression régulière qui me permette de repérer TOUT CE QUI N'EST PAS ces répétions de 100 'N' (le chiffre 100 est fixe lui).
J'arrive à repérer les 100 'N' assez facilement avec une expression du type
re.finditer('N{100},string), mais dès que j'essaie d'inverser:
re.finditer('[^N{100}]',...) ça ne marche plus, il se base sur tous les 'N' qu'il rencontre, même s'il n'y en a pas 100 (la string contient certains 'N' isolés que je ne veux pas repérer).

Est-ce que l'un de vous saurait comment construire une telle expression régulière ?

Mathieu

**airod** · 09/04/2010, 10h34

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
import re
a='kjtdlkjlkj44444kljdfhmkjlk'

r=r'[^4{5}]+'

print re.findall(r,a)

**nardo47** · 09/04/2010, 11h01

Salut !

Et ceci :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
pattern = 'N' * 100
print machaine.split(pattern)

Ca ne ferait pas ce que tu désires faire ?

**miawaw** · 09/04/2010, 11h16

Hello.

La question étant "Je désire construire une expression régulière qui...", la proposition de nardo47 ne convient malheureusement pas.

En ce qui concerne celle d'airod, je pense que c'est bon à condition que la chaine entre les différents blocs 'NNNNNNN' ne contiennent pas le charactère 'N'.

**eyquem** · 09/04/2010, 11h33

Bonjour,

- entre crochets, les caractères spéciaux perdent leur spécialité

[^N{100}] représente donc un caractère qui ne doit être ni le caractère ’N’, ni le caractère ’{’, ni le caractère ’1’, ni le caractère ’0’, ni le caractère ’}’

Par exemple,

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
a='abcdef{0987098}MILIEU5fin'
r=r'[^4{5}]+'
print re.findall(r,a)

donne ['abcdef', '0987098', 'MILIEU', 'fin']

- [....] représente UNE position

Avoir dans l’idée d’interdire une succession de caractère pour ce qui ne peut représenter qu’UNE position, ça n’a pas de sens. L’incompréhension sur ce que représente [....] est très commune.

Comme solution au problème posé, je verrais bien l’utilisation de split() :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
import re
a='18758754XXXXX39876875363XXXXX87654-8746XXXXX'
r=r'X{5}'
print re.split(r,a)

donne
[['18758754', '39876875363', '87654-8746', '']

Mais s’il y a un nombre nb > 5 de caractères ’X’ , il y en a nb%5 qui seront captés aussi

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
import re
a='76875363XXXXXXXXXXXXX87654-8746XXXXX'
r=r'X{5}'
print re.split(r,a)

donne
['76875363', '', 'XXX87654-8746', '']

Pour mieux comprendre ce qui est recherché et ce qui devrait se passer quand plus de 100 N se suivent,
ainsi que le sens de cette indication sybilline: la string contient certains 'N' isolés que je ne veux pas repérer,
il faudraitque l’énoncé du problème soit plus précis.

**nardo47** · 09/04/2010, 11h46

Envoyé par miawaw

La question étant "Je désire construire une expression régulière qui...", la proposition de nardo47 ne convient malheureusement pas.

Question de point de vue.

Moi, j'ai lu surtout la suite :

Envoyé par msiol

[...] me permette de repérer TOUT CE QUI N'EST PAS ces répétions de 100 'N'

L'expression régulière est dans ce cas un moyen, pas un but.

Mais il ne s'agit que de mon interprétation.

**msiol** · 09/04/2010, 14h18

Ok,
c'est bien ce qu'il me semblait, à l'intérieur, d'un set les signes {} perdent leur signification.
Effectivement, l'expression régulière n'est pas un but en soi, ce que je veux c'est repérer les positions de début et de fin de tout ce qui n'est pas ces séries de 100 N dans ma string. Mais je dois préciser que la string est très longue (27 millions de caractères).
Donc pour l'exemple,
'NAAGNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGTAC'
ici je voudrais sortir :
[[0,3],[104,107]].
Je pensais que les expressions régulières me permettraient de m'en sortir, mais finalement, on dirait qu'il va falloir que je fasse autrement...

**nardo47** · 09/04/2010, 15h29

Envoyé par msiol

ici je voudrais sortir :
[[0,3],[104,107]].
Je pensais que les expressions régulières me permettraient de m'en sortir, mais finalement, on dirait qu'il va falloir que je fasse autrement...

Ah, du coup, si c'est pour avoir les positions, les regexp sont indiquées.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
 
>>> import re
>>> regexp = 'spam'
>>> chaine = 'abcdefghijklmnopqrstuvwxyzspamabcdefghijklmnopqrstuvwxyz'
>>> match = re.search(regexp, chaine)
>>> match.start(), match.end()
(26, 30)
>>> chaine[match.start():match.end()]
'spam'

Concernant le problème des accolades, je propose une autre syntaxe :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
 
>>> import re
>>> delimiter = 'N' * 100
>>> # 'pattern1(?=pattern2)' matche sur 'pattern1' si et seulement si il est suivi par 'pattern2'
>>> regexp = '(.*)(?=%s)' % delimiter
>>> chaine = 'NAAGNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNGTAC'
>>> for match in re.finditer(regexp, chaine):
	print match.start(), match.end()
 
 
0 4
4 4

Bon, le résultat n'est pas totalement celui escompté (on n'a notamment pas le groupe à la fin de la chaîne), mais je trouve qu'il y a une idée à creuser ici.

Sinon, une solution alternative, sans regexp :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
 
def myitersplit(chaine, delimiter):
    limit = list(delimiter)
    taille = len(limit)
    pile = []
    for x in chaine:
        pile.append(x)
        if pile[-taille:] == limit:
            yield ''.join(pile[:-taille])
            pile = []
    if pile:
        yield ''.join(pile)

Avec un chouïa de modifications (et notamment l'appel à enumerate), on doit pouvoir récupérer les index désirés.

Sur ce, bon courage !

**airod** · 09/04/2010, 20h41

Envoyé par msiol

Je pensais que les expressions régulières me permettraient de m'en sortir, mais finalement, on dirait qu'il va falloir que je fasse autrement...

je croyais que le but premier du post etait d'obtenir une aide sur l'expression regulière pas de faire tout le boulot!

**eyquem** · 09/04/2010, 23h22

Avec regex, c’est très facile...à partir du moment où on a un énoncé compréhensible.

J’aurais aimé une précision sur le sens de ceci:
la string contient certains 'N' isolés que je ne veux pas repérer

«N isolés» ça veut dire quoi ? Ca se limite à un seul ou quelques uns ? Jusqu’à combien ?
Et ne pas les repérer, ça veut dire quoi ?

Ton exemple ne permet pas de comprendre puisqu’il est mal foutu:

dans ’NAAGNNNNNNNNNNNNNNNNN....
le premier N est entre 0 et 1
'AAG' est entre 1 et 4
et tu parles de vouloir trouver [0,3]. Sic

De même à la fin
....NNNNNNNNNNNNNNNGTAC'
La chaîne fait 108 caractères, donc ’GTAC’ est entre 104 et 108 et tu veux obtenir [104,107]. Resic.

Bon. Partant du principe que les plages de 100 ou plus ’N’ ne t’intéressent pas mais que 10 ’N’ saupoudrés ou jointifs dans une plage de non ’N’ n’empêchent pas cette plage de non ’N d’avoir un intérêt, je propose ceci

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
mport re
 
ch1 = 'NAAGAGCTGACCAC'\
      +50*'N'\
      +'AGCTCGCTAGCTAGTCGGCTCGGTATAGGACAGATTAGACGCGATG'\
      +60*'N'\
      +'AGGC'+'NNNNNNNNNN'+'AGCTNNNGCTTTTAGCTTGCAAACATAGCCATG'\
      +70*'N'\
      +'T'+'NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN'+'AGCTTNAG'
 
ch2 = 50*'N'\
      +'AGCTCGCTAGCTAGTCGGCTCGGTATAGGACAGATTAGACGCGATG'\
      +60*'N'\
      +'AGGC'+'NNNNNNNNNN'+'AGCTNNNGCTTTTAGCTTGCAAACATAGCCATG'\
      +70*'N'\
      +'T'+'NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN'+'AGCTTNAG'
 
ch3 = 50*'N'\
      +'AGCTCGCTAGCTAGTCGGCTCGGTATAGGACAGATTAGACGCGATG'\
      +60*'N'\
      +'AGGC'+'NNNNNNNNNN'+'AGCTNNNGCTTTTAGCTTGCAAACATAGCCATG'\
      +70*'N'
 
ch4 = 'AGCTCGCTAGCTAGTCGGCTCGGTATAGGACAGATTAGACGCGATG'\
      +60*'N'\
      +'AGGC'+'NNNNNNNNNN'+'AGCTNNNGCTTTTAGCTTGCAAACATAGCCATG'\
      +70*'N'
 
pat = re.compile('N{50,}')
 
def plages(ch):
    li=[]
    [ li.extend(m.span()) for m in pat.finditer(ch) ]
    if li[0]==0:  li.pop(0)
    else: li.insert(0,0)
    if li[-1]==len(ch):  li[-1:] = []
    else:  li.append(len(ch))     
    return [ li[k:k+2] for k in xrange(0,len(li),2) ]
 
for ch in (ch1,ch2,ch3,ch4):
    print plages(ch)

Dans mon exemple, j’ai pris 50 au lieu de 100 comme limite entre les succession de ’N’ qui ne sont pas voulues et les successon de ’N’ qu’on admet dans une plage de non ’N’

**msiol** · 10/04/2010, 04h14

ok merci pour la réponse,

désolé, c'était la première fois que je postais sur le site, je vais apprendre à être plus précis...
Mais c'était effectivement ça; je suis interessé par les positions de début et de fin de tout ce qui n'est pas exactement 100 N (ou plus).

expression régulière négative

Python

Discussions similaires

Partager

Partager