根据同一列表中的下一个项目从列表中删除项目

我刚刚开始学习 python，这里有一个蛋白质序列的排序列表（总共 59,000 个序列），其中一些是重叠的。我在这里列出了一个玩具清单，例如：

ABCDE
ABCDEFG
ABCDEFGH
ABCDEFGHIJKLMNO
CEST
DBTSFDE
DBTSFDEO
EOEUDNBNUW
EOEUDNBNUWD
EAEUDNBNUW
FEOEUDNBNUW
FG
FGH

我想删除那些较短的重叠部分，只保留最长的重叠部分，这样所需的输出将如下所示：

ABCDEFGHIJKLMNO
CEST
DBTSFDEO
EAEUDNBNUW
FEOEUDNBNUWD
FGH

我该怎么做？我的代码如下所示：

with open('toy.txt' ,'r') as f:
    pattern = f.read().splitlines()
    print pattern

    for i in range(0, len(pattern)):
        if pattern[i] in pattern[i+1]:
            pattern.remove(pattern[i])
        print pattern

我收到错误消息：

['ABCDE', 'ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGH', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDE', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FG', 'FGH']
['ABCDEFG', 'ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']
Traceback (most recent call last):
  File "test.py", line 8, in <module>
    if pattern[i] in pattern[i+1]:
IndexError: list index out of range

还有其他可行的答案，但它们都不能解释您的实际问题。你实际上非常接近一个有效的解决方案，在我看来，什么是最可读的答案。

该错误来自于以下事实：您是使用检查索引时改变相同的列表range().

因此，在增加i您从列表中删除项目的变量在某一时刻会导致index error不可避免地。

因此，这是初始代码的工作版本，进行了一些更改，

pattern = ["ABCDE","ABCDEFG","ABCDEFGH","ABCDEFGHIJKLMNO","CEST","DBTSFDE","DBTSFDEO","EOEUDNBNUW","EAEUDNBNUW","FG","FGH"]
output_pattern = []


for i in range(0, (len(pattern)-1)):
    if not pattern[i] in pattern[i+1]:
        output_pattern.append(pattern[i]) 

# Adding the last item
output_pattern.append(pattern[-1])   
print (output_pattern)

>>>> ['ABCDEFGHIJKLMNO', 'CEST', 'DBTSFDEO', 'EOEUDNBNUW', 'EAEUDNBNUW', 'FGH']    

请注意，如果您的列表之前按照您在评论部分中提到的方式排序，则此代码将起作用。

这段代码在做什么？

基本上，它使用与初始答案相同的逻辑，在列表上迭代并检查下一个项目是否包含当前项目。但是，使用另一个列表并迭代直到在最后之前item，将解决您的索引问题。但现在有一个问题，

我应该如何处理最后一项？

由于列表已排序，您可以认为最后一项始终是唯一的。这就是我使用的原因

output_pattern.append(pattern[-1])

添加初始列表的最后一项。

重要的提示

这个答案是为了回应OP的最初问题而写的，他想保留更长的重叠，我引用基于同一列表中的下一个项目。正如 @Chris_Rands 所说，如果您的担忧与生物任务有关并且需要找到any重叠，该解决方案不适合您的需求。

此代码无法识别潜在重叠的示例，

pattern = ["ACD", "AD", "BACD"]

它将输出相同的结果而不删除可能的"ACD"重叠。现在，作为澄清，这意味着一个更复杂的算法我最初认为这超出了问题的要求范围。如果这是你的情况，我可能完全错了，但我确实认为 C++ 实现似乎更合适。看看 @Chris_Rands 在评论部分建议的 CD-Hit 算法。