尝试将txt文件拆分为多个变量

Question

因此，我正在编写一个程序，在该程序中读取文本文件，并且需要将所有信息分成各自的变量。 看起来像这样：

>1EK9:A.41,52; B.61,74; C.247,257; D.279,289
ENLMQVYQQARLSNPELRKSAADRDAAFEKINEARSPLLPQLGLGAD
YTYSNGYRDANGINSNATSASLQLTQSIFDMSKWRALTLQEKAAGIQ
DVTYQTDQQTLILNTATAYFNVLNAIDVLSYTQAQKEAIYRQLDQTT
QRFNVGLVAITDVQNARAQYDTVLANEVTARNNLDNAVEQLRQITGN
YYPELAALNVENFKTDKPQPVNALLKEAEKRNLSLLQARLSQDLARE
QIRQAQDGHLPTLDLTASTGISDTSYSGSKTRGAAGTQYDDSNMGQN
KVGLSFSLPIYQGGMVNSQVKQAQYNFVGASEQLESAHRSVVQTVRS
SFNNINASISSINAYKQAVVSAQSSLDAMEAGYSVGTRTIVDVLDAT
TTLYNAKQELANARYNYLINQLNIKSALGTLNEQDLLALNNALSKPV
STNPENVAPQTPEQNAIADGYAPDSPAPVVQQTSARTTTSNGHNPFRN

>后面的代码是标题，下一个类似于“ A.41,52”的位是我需要保存使用的序列中的编号位置，其后的所有内容均为氨基酸序列。 我知道如何处理氨基酸序列，我只需要知道如何分隔第一行中的重要数字。

过去，当我只有标题和序列时，我做了这样的事情：

for line in nucfile:
if line.startswith(">"):
    headerline=line.strip("\n")[1:]
else:
    nucseq+=line.strip("\n")

我在正确的轨道上吗？ 这是我的第一次，任何建议都很棒，感谢您的阅读:)

Answer 1

我不确定我是否完全理解目标（我认为这篇文章更适合发表评论，但我没有足够的特权），但是我认为解决方案的关键是使用.split() 。 然后，您可以使用类似以下的+来加入结果列表的元素：

>>> result = line.split(' ')
>>> result
['1EK9:A.41,52;', 'B.61,74;', 'C.247,257;', 'D.279,289', 'ENLMQVYQQARLSNPELRKSAADRDAAFEKINEARSPLLPQLGLGAD', 'YTYSNGYRDANGINSNATSASLQLTQSIFDMSKWRALTLQEKAAGIQ', 'DVTYQTDQQTLILNTATAYFNVLNAIDVLSYTQAQKEAIYRQLDQTT', 'QRFNVGLVAITDVQNARAQYDTVLANEVTARNNLDNAVEQLRQITGN', 

'YYPELAALNVENFKTDKPQPVNALLKEAEKRNLSLLQARLSQDLARE', 'QIRQAQDGHLPTLDLTASTGISDTSYSGSKTRGAAGTQYDDSNMGQN', 'KVGLSFSLPIYQGGMVNSQVKQAQYNFVGASEQLESAHRSVVQTVRS', 'SFNNINASISSINAYKQAVVSAQSSLDAMEAGYSVGTRTIVDVLDAT', 'TTLYNAKQELANARYNYLINQLNIKSALGTLNEQDLLALNNALSKPV', 'STNPENVAPQTPEQNAIADGYAPDSPAPVVQQTSARTTTSNGHNPFRN']
    >>> result[3]+result[4]
    'D.279,289ENLMQVYQQARLSNPELRKSAADRDAAFEKINEARSPLLPQLGLGAD'
    >>>

等等。您还可以使用以下常用语法提取所需列表的元素：

>>> result[5:]
['YTYSNGYRDANGINSNATSASLQLTQSIFDMSKWRALTLQEKAAGIQ', 'DVTYQTDQQTLILNTATAYFNVLNAIDVLSYTQAQKEAIYRQLDQTT', 'QRFNVGLVAITDVQNARAQYDTVLANEVTARNNLDNAVEQLRQITGN', 'YYPELAALNVENFKTDKPQPVNALLKEAEKRNLSLLQARLSQDLARE', 'QIRQAQDGHLPTLDLTASTGISDTSYSGSKTRGAAGTQYDDSNMGQN', 'KVGLSFSLPIYQGGMVNSQVKQAQYNFVGASEQLESAHRSVVQTVRS', 'SFNNINASISSINAYKQAVVSAQSSLDAMEAGYSVGTRTIVDVLDAT', 'TTLYNAKQELANARYNYLINQLNIKSALGTLNEQDLLALNNALSKPV', 'STNPENVAPQTPEQNAIADGYAPDSPAPVVQQTSARTTTSNGHNPFRN']

并加入他们的行列：

>>> reduce(lambda x, y: x+y, result[5:])
'YTYSNGYRDANGINSNATSASLQLTQSIFDMSKWRALTLQEKAAGIQDVTYQTDQQTLILNTATAYFNVLNAIDVLSYTQAQKEAIYRQLDQTTQRFNVGLVAITDVQNARAQYDTVLANEVTARNNLDNAVEQLRQITGNYYPELAALNVENFKTDKPQPVNALLKEAEKRNLSLLQARLSQDLAREQIRQAQDGHLPTLDLTASTGISDTSYSGSKTRGAAGTQYDDSNMGQNKVGLSFSLPIYQGGMVNSQVKQAQYNFVGASEQLESAHRSVVQTVRSSFNNINASISSINAYKQAVVSAQSSLDAMEAGYSVGTRTIVDVLDATTTLYNAKQELANARYNYLINQLNIKSALGTLNEQDLLALNNALSKPVSTNPENVAPQTPEQNAIADGYAPDSPAPVVQQTSARTTTSNGHNPFRN'

请记住，列表上的+会产生一个列表。

顺便说一句，我不会删除“ \\ n”开头，因为您可能会尝试使用它来提取与上面类似的第一行，并使用空格来提取“单词”。

UPDATE（从结果开始）：

#getting A indexes
letter_seq=result[5:]
ind=result[:4]
Aind=ind[0].split('.')[1].replace(';', '')

#getting one long letter seq
long_letter_seq=reduce(lambda x, y: x+y, letter_seq)

#extracting the final seq fromlong_letter_seq using Aind
output = long_letter_seq[int(Aind.split(',')[0]):int(Aind.split(',')[1])]

最后一行只是先前也使用过的几个操作的结合。

与BCD等相同-因此需要大量的人工工作和计算...

请务必使用A的索引-python中的编号从0开始，在您的编号系统中可能不是这种情况。

更为优雅的解决方案是使用re （ https://docs.python.org/2/library/re.html ）使用遮罩查找pettern，但这需要定义非常明确的规则来查找所需的序列。

UPDATE2：我也不清楚空格的作用-到目前为止，我已经删除了空格，但是在计算原始字符串中的字母时它们可能很重要。

Answer 2

我建议您使用split（）方法。

split（）允许您指定选择的分隔符。 如果序列标题（此处为1EK9）始终与其他序列之间用冒号分隔，则可以首先传递“：”作为分隔符。 然后，您可以使用“;”分割序列的其余部分以恢复编号的位置（例如A.41,52）。 作为分隔符。

我希望这有帮助！

Answer 3

我认为您要尝试的是根据第一行（以>开头的行）提供给您的标识符提取序列的某些部分。

该行包含您的标题，然后是序列名称和您需要提取的数据范围。

尝试这个：

sequence_pairs = {}

with open('somefile.txt') as f:
   header_line = next(f)
   sequence = f.read()
   title,components = header_line.split(':')
   pairs = components.split(';')
   for pair in pairs:
      start,end = pair[2:-1].split(',')
      sequence_pars[pair[:1]] = sequence[start:int(end)+1]

for sequence,data in sequence_pairs.iteritems():
    print('{} - {}'.format(sequence, data))

Answer 4

由于另一个答案可能会很好地解决整个假设的问题-但OP已要求提供指针或典型的拆分-未拆分转换的示例，该转换通常非常成功，因此我在此提供一些想法和工作代码来说明这一点（基于问题的示例）。

因此，让我们关注下面的else分支：

from __future__ import print_function
nuc_seq = []  # a list
title_token = '>'
with open('some_file_of_a_kind.txt', 'rt') as f:
    for line in f.readlines():
        s_line = line.strip()  # this strips whitespace
        if line.startswith(title_token):
            headerline = line.strip("\n")[1:]
        else:
            nuc_seq.append(s_line)  # build list

# now nuc_seq is a list of strings like:
# ['ENLMQVYQQARLSNPELRKSAADRDAAFEKINEARSPLLPQLGLGAD',  
#  'YTYSNGYRDANGINSNATSASLQLTQSIFDMSKWRALTLQEKAAGIQ',
#  ...
# ]

demo_nuc_str = ''.join(nuc_seq)
# now: 
# demo_nuc_str == 'ENLMQVYQQARLSNPELRKSAADRDAAFEKINEARSPLLPQLGLGADYTYSNGYR ...'

这是Python编程（以及通常具有强大数据类型的编程）中快速且广泛部署的范例。

如果仍然不清楚拆分未拆分（也称为联接）方法，请询问或尝试对相关问题的最佳答案进行搜索。

还要注意，不需要line.strip('\\n')因为\\n被视为空白，例如' ' （仅带空格的字符串）或制表符'\\t' ，例如：

>>> a = ' \t \n '
>>> '+'.join(a.split())
''

因此，如果至少有两个要连接的元素，则仅出现“连接字符”，在这种情况下，strip删除了所有白色空间，并给我们留下了空字符串。

更新：

根据要求，在题为标题的行中进一步分析“坐标部分”：

>1EK9:A.41,52; B.61,74; C.247,257; D.279,289

如果要检索：

A.41,52; B.61,74; C.247,257; D.279,289

并假设您拥有（如标题字符串中的完整行一样）：

title, coordinate_string = headline.split(':')
# so now title is '1EK9' and
# coordinates == 'A.41,52; B.61,74; C.247,257; D.279,289'

现在在半冒号上分割，修剪条目：

het_seq = [z.strip（），z中的axis.split（';'）]＃现在het_seq == ['A.41,52'，'B.61,74'，'C.247,257'，'D .279,289']

如果'a'，'B'，'C'和'D'是众所周知的尺寸，那么您可以从输入文件中“丢失”订购信息（因为您总是可以加强已经知道的内容；-)并可以映射坐标为键：（有序坐标对）：

>>> coord_map = dict(
        (a, tuple(int(k) for k in bc.split(','))) 
         for a, bc in (abc.split('.') for abc in het_seq))
>>> coord_map
{'A': (41, 52), 'C': (247, 257), 'B': (61, 74), 'D': (279, 289)}

在微程序中：

#! /usr/bin/enc python
from __future__ import print_function

het_seq = ['A.41,52', 'B.61,74', 'C.247,257', 'D.279,289']

coord_map = dict(
    (a, tuple(int(k) for k in bc.split(',')))
    for a, bc in (abc.split('.') for abc in het_seq))
print(coord_map)

产量：

{'A': (41, 52), 'C': (247, 257), 'B': (61, 74), 'D': (279, 289)}

在这里，您可能会将此显式内容写成一个嵌套的for循环，但这是欧洲晚期，所以请从正确的角度阅读：

1. 对于het_seq的所有元素
2. 在点上分割并在a和b中向左存储
3. 然后将bc进一步分成k的序列，转换为整数并放入元组（整数坐标的有序对）
4. 到达左侧，您将构建a的元组（“像'A'的维和从3开始的坐标元组。

最后，调用dict（）函数，该函数使用dict（key_1，value_1，hey_2，value_2，...）形式构造字典，该字典给出{key_1：value1，...}

因此，所有坐标都是整数，将有序对存储为元组。

我在这里更喜欢元组，尽管split（）会生成列表，因为

1. 您将保持这两个坐标不延伸或追加该对
2. 在python中，通常执行映射和重新映射，并且有一个哈希（即不可变类型）准备好成为字典中的键。

最后一个变体（无打结的理解）：

coord_map = {}
for abc in het_seq:
    a, bc = abc.split('.')
    coord_map[a] = tuple(int(k) for k in bc.split(','))
print(coord_map)

前四行产生的效果与上述轻微的令人讨厌的“一个衬里”（已经写在括号内的三行上）相同。

HTH。

Answer 5

因此，我假设您正在尝试处理类似Fasta的文件，因此我要执行的方法是首先获取标头，然后使用Regex分隔各个部分。 接下来，您可以将A：42.52 B ...存储在列表中，以方便访问。 代码如下。

import re

def processHeader(line):
     positions = re.search(r':(.*)', line).group(1)
     positions = positions.split('; ')
     return positions

dnaSeq = ''
positions = []
with open('myFasta', 'r') as infile:
     for line in infile:
          if '>' in line:
              positions = processHeader(line)
          else:
              dnaSeq += line.strip()