每个字符串长度都是23，只要前面20个字符就行，由于数据太大，我只传了五分之一，大神们可以挑战一下，有速度快的可以贴一下代码，让小弟拜读一下，谢谢！
下面是正式的问题：
我现在有两个字符串数组，姑且称为candidates和bg_db，全部都是长度为20的短字符串，并且每个字符串的每个字符只有ATCG四种可能（没错！就是基因组序列啦！）:
candidates = [ 'GGGAGCAGGCAAGGACTCTG', 'GCTCGGGCTTGTCCACAGGA', '...', # 被你看出来啦，这些其实人类基因的片段 ] bg_db = [ 'CTGCTGACGGGTGACACCCA', 'AGGAACTGGTGCTTGATGGC', '...', # 这个更多，有十亿左右 ]
我的任务是对candidates的每一个candidate，找到bg_db中所有与其小于等于4个差异的记录，
举个例子来说:
# 上面一条为candidate，即candidates的一个记录 # 中间|代表相同，*代表不相同 # 下面一条代表bg_db的一条记录 A T C G A T C G A T C G A T C G A T C G | | | | | | | | | | | | | | | | | | | | # 差异为0 A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G * | | | | | | | | | | | | | | | | | | | # 差异为1 T T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G * | | | * | | | | | | | | | | | | | | | # 差异为2 T T C G T T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G A T C G * | | | * | | | | | | * | | | | | | | | # 差异为3 T T C G T T C G A T C C A T C G A T C G A T C G A T C G A T C G A T C G A T C G * | | | * | | | | | | * | | | * | | | | # 差异为4 T T C G T T C G A T C C A T C A A T C G
我的问题是如果快速地找到：每一个candidate在bg_db中与之差异小于等于4的所有记录,
如果采用暴力遍历的话，以Python为例:
def align(candidate, record_from_bg_db): mismatches = 0 for i in range(20): if candidate[i] != record_from_bg_db[i]: mismatches += 1 if mismatches >= 4: return False return True candidate = 'GGGAGCAGGCAAGGACTCTG' record_from_bg_db = 'CTGCTGACGGGTGACACCCA' align(candidate, record_from_bg_db) # 1.24微秒左右 # 总时间: 10000000 * 1000000000 * 1.24 / 1000 / 1000 / 60 / 60 / 24 / 365 # = 393 # 1千万个candidates，10亿条bg_db记录 # 耗时大约393年 # 完全无法忍受啊
我的想法是，bg_db是高度有序的字符串(长度固定，每个字符的可能只有四种)，有没有什么算法，可以让candidate快速比较完所有的bg_db，各位大神，求赐教。
补充数据链接：
candidates: https://pan.baidu.com/s/1nvGWbrV
bg_db: https://pan.baidu.com/s/1sllFLAd
解决方法
写一个思路
candidates = [ 'GGGAGCAGGCAAGGACTCTG', 'GCTCGGGCTTGTCCACAGGA', '...', # 被你看出来啦，这些其实人类基因的片段 ] bg_db = [ 'CTGCTGACGGGTGACACCCA', 'AGGAACTGGTGCTTGATGGC', '...', # 这个更多，有十亿左右 ]
因为你的数据其实是很有特点的，这里可以进行精简。
因为所有的字符串都是20个字符长度，且都由ATCG四个字符组成。那么可以把它们变换为整数来进行比较。
二进制表现形式如下
A ==> 00 T ==> 01 C ==> 10 G ==> 11
因为一个字符串长度固定，每个字符可以由2个比特位表示，所以每个字符串可以表示为一个40位的整数。可以表示为32+8的形式，也可以直接使用64位整形。建议使用C语言来做。
再来说说比较。
因为要找到每一个candidate在bg_db中与之差异小于等于4的所有记录,所以只要两个整数一做^按位异或操作，结果中二进制中1不超过8个,且这不超过8个1最多只能分为4个组的才有可能是符合要求的（00^11=11,10^01=11）。
把结果的40个比特位分作20个组，那么就是说最多只有4个组为b01 b10 b11这三个值，其余的全部为b00。
那么比较算法就很好写了。
可以对每个字节(四个组)获取其中有几个组是为三个非零值的，来简介获取整体的比较结果。
因为每个字节只有256种可能的值，而符合条件的值只有3^4=81种，所以可以先将结果存储起来，然后进行获取。
这里给出一个函数，来获取结果中有几个是非零组。
/*****************下面table中值的生成******//** int i; for( i=0;i<256;++i){ int t =0; t += (i&0x01 || i&0x02)?1:0; t += (i&0x04 || i&0x08)?1:0; t += (i&0x10 || i&0x20)?1:0; t += (i&0x40 || i&0x80)?1:0; printf("%d,",t); if(i%10 ==9){putchar('\n');} } ********************************************// int table[] = { 0,1,1,1,1,2,2,2,1,2, 2,2,1,2,2,2,1,2,2,2, 2,3,3,3,2,3,3,3,2,3, 3,3,1,2,2,2,2,3,3,3, 2,3,3,3,2,3,3,3,1,2, 2,2,2,3,3,3,2,3,3,3, 2,3,3,3,1,2,2,2,2,3, 3,3,2,3,3,3,2,3,3,3, 2,3,3,3,3,4,4,4,3,4, 4,4,3,4,4,4,2,3,3,3, 3,4,4,4,3,4,4,4,3,4, 4,4,2,3,3,3,3,4,4,4, 3,4,4,4,3,4,4,4,1,2, 2,2,2,3,3,3,2,3,3,3, 2,3,3,3,2,3,3,3,3,4, 4,4,3,4,4,4,3,4,4,4, 2,3,3,3,3,4,4,4,3,4, 4,4,3,4,4,4,2,3,3,3, 3,4,4,4,3,4,4,4,3,4, 4,4,1,2,2,2,2,3,3,3, 2,3,3,3,2,3,3,3,2,3, 3,3,3,4,4,4,3,4,4,4, 3,4,4,4,2,3,3,3,3,4, 4,4,3,4,4,4,3,4,4,4, 2,3,3,3,3,4,4,4,3,4, 4,4,3,4,4,4 }; int getCount(uint64_t cmpresult) { uint8_t* pb = &cmpresult; // 这里假设是小段模式，且之前比较结果是存在低40位 return table[pb[0]]+table[pb[1]]+table[pb[2]]+table[pb[3]]+table[pb[4]]; }