Индексация строк

Это мое решение.

Сначала я заменяю все C1 на C, чтобы оценить одну букву как необязательную группу. Затем я считаю открытые скобки. Если открыта только одна корзина, у меня новая группа. Если у меня есть закрывающая скобка, я проверяю, что следующая буква является открывающей, чтобы проверить, есть ли последовательная группа. Если нет, я сбрасываю счетчик на 0.

import pandas as pd

def smile_grouping(s):
    s = s.replace('C1', 'C')
    open_brackets = 0
    group_counter = 0

    res = []
    for i, letter in enumerate(s):
        if letter == '(':
            open_brackets += 1
            if open_brackets == 1:
                group_counter += 1
        elif letter == ')':
            open_brackets -= 1
        else:
            res.append(group_counter)

        if open_brackets == 0:
            if i+1<len(s) and s[i+1] != '(':
                group_counter = 0
    return res

Это результат

df = pd.DataFrame(
    {'smile':[
        "C(N)(N)CC(N)C",
        "CCC",
        "C1CC1",
        "C1CC1(C)C",
        "CC(C)C",
        "C(N)(N)(N)CC(N)C",
        "C((N)(N)N)CC(N)C",
        "CC(CCC)CCCC",
        "CC(CC(C))"
    ]})
df['branch_count'] = df['smile'].apply(smile_grouping)
>>> df
              smile                 branch_count
0     C(N)(N)CC(N)C        [0, 1, 2, 0, 0, 1, 0]
1               CCC                    [0, 0, 0]
2             C1CC1                    [0, 0, 0]
3         C1CC1(C)C              [0, 0, 0, 1, 0]
4            CC(C)C                 [0, 0, 1, 0]
5  C(N)(N)(N)CC(N)C     [0, 1, 2, 3, 0, 0, 1, 0]
6  C((N)(N)N)CC(N)C     [0, 1, 1, 1, 0, 0, 1, 0]
7       CC(CCC)CCCC  [0, 0, 1, 1, 1, 0, 0, 0, 0]
8         CC(CC(C))              [0, 0, 1, 1, 1]

Цикл включает скобки как символы, поэтому для каждой открытой и закрытой скобки ваш код будет считать ее атомом. Вы должны проверить, является ли символ буквой или нет, используя .isalpha(). Тогда у вас также должна быть проверка (у меня n), должен ли символ быть заменен числом или нет. Например, в вашем плохом коде скобки и числа также были заменены на 0/1, а это означало, что у вас были дополнительные атомы, которые вам не нужны. Прочитайте мои комментарии для дополнительных объяснений и запустите этот код в своем собственном движке, чтобы убедиться, что он правильный (хотя я уже проверял несколько раз).

import pandas as pd
import numpy as np
from rdkit import Chem


# All changes in function
def get_branch_count(smile):
    # Initialize variables
    n = 0 # This is to make sure that only the needed characters are added, so it doesn't include 
    length_smile = 0
    for char in smile:
        if char.isalpha():
            length_smile += 1
    branch_count = [0] * length_smile
    bracket_count = 0
    bracket_together = 0 # Use this variable for when the brackets are next to each other for less confusing code
    current_count = 0
    # Loop through each character in the smile
    for i, c in enumerate(smile):
        if c == '(':
            bracket_count += 1
        
        # Continue after the IF statement because the letters are now inside of the brackets
        elif bracket_count >= 1 and c.isalpha():
            current_count = bracket_count
            branch_count[n] = current_count
            n += 1
        # This is to check if there are consecutive branches
        elif c ==')':
            if smile[i+1] != '(':
                bracket_count = 0
            
            
        # If the character is not surrounded by brackets and if it is alphabetical
        elif c.isalpha() and bracket_count == 0:
            current_count = 0
            branch_count[n] = current_count # Do this inside of each IF statement for the alphabetical chars so that it doesn't include the brackets
            n += 1
            
    return branch_count

def collect_branch_count(smile_list):
    rows = []

    for smile in smile_list:
        branch_count = get_branch_count(smile)
        data = {"branch_count": branch_count}

        row = {"SMILES": smile}
        for key, value in data.items():
            row[key] = value
        rows.append(row)

    df = pd.DataFrame(rows)
    return df

smile_list = ["C(N)(N)CC(N)C", "CCC", "C1CC1", "C1CC1(C)C", "CC(C)C"]
df = collect_branch_count(smile_list)
print(df)

Как видите, я изменил несколько вещей:

• Вместо того, чтобы делать branch_count = [0] * len(smile), я изменил его на:

   ```python
   # This is to make sure that there are no extra numbers (for example the brackets and the non-alphabetical characters.
   length_smile = 0
   for char in smile:
       if char.isalpha():
           length_smile += 1
   branch_count = [0] * length_smile
   ```