求一个序列的子串，目前效率太低，求高效方法？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

一段一亿长“acgt”序列序列L，目标是寻找这条序列里面长度为n长的子串个数。目前我的算法就是遍历一遍，然后取出每个子串，之后用R的table（）函数得出结果。table（）的效率很高，慢就慢在循环上面，请教高手指点！谢谢！

L="acgt...............gcta..................................aaccgt" #总共是1亿长
a=c("")  

   for(i in 1:100000000)
    {
       a[i]=substr(L,i,i+n-1)
     }
    b=table(a)
    print(b)

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：SUBSTR Table print ABLE subs 云台山 龙门

建议用C

向量化

你原来那个用循环的方法#1太慢。
#2用的apply，速度也不行
#3走了个捷径，速度好一些，长度1千万的用了两分钟

len <- 10000000
L <- sample(c("a", "c", "g", "t"), size = len, replace = T)
L <- paste(L, collapse = "")
a <- c("")
n <- 4

# 1
#system.time(for(i in 1:(len-n+1)) a[i]=substr(L,i,i+n-1))

# 2
ind1 <- 1:(len-n+1)
ind2 <- n:len
ind <- cbind(ind1, ind2)
getString <- function(nn) substr(L, nn[1], nn[2])
ptm <- proc.time()
out <- apply(ind, 1, getString)
proc.time() - ptm

# 3
ptm <- proc.time()
L <- strsplit(L, split = "")[[1]]
mat <- matrix(NA, nrow = (len-n+1), ncol = n)
for (i in 1:n) {
   mat[, i] <- L[i:(len-n+i)]
}
out2 <- apply(mat, 1, paste, collapse = "")
proc.time() - ptm

qoiqpwqr 发表于 2012-5-28 22:16
你原来那个用循环的方法#1太慢。
#2用的apply，速度也不行
#3走了个捷径，速度好一些，长度1千万的用了两 ...

非常感谢！我测试了一下 耗时主要在substr（）这句上面。1千万2分钟，那么一个亿 就得20多分钟，如果我的n in 1:20 的话也就意味着要400分钟。不知道用R调用C 或者perl 能否快些？谢谢！

microtan 发表于 2012-5-28 23:53
非常感谢！我测试了一下 耗时主要在substr（）这句上面。1千万2分钟，那么一个亿 就得20多分钟，如果我的 ...

C会快很多。Perl不知道，没用过。

microtan 发表于 2012-5-28 23:53
非常感谢！我测试了一下 耗时主要在substr（）这句上面。1千万2分钟，那么一个亿 就得20多分钟，如果我的 ...

如果你只用一次的话，其实几百分钟也还好了。

DNA sequence,哈哈