python - 为什么我的代码不迭代每一行？尽管剥离了(使用 .read() 传入的 .txt 输入)，但仍存在关键错误 "\n"

Question

我有一个 DNA 序列的 .txt 文件，格式如下:

>seq1
ATATAT
>seq2
GGGGG
>seq3
TTTTT

使用 re.sub，我删除了像这样带有 ">seq"数字的行，以仅输入 DNA 碱基 A、G、C 和 T 的行，然后删除“\n”如下:

ATATAT
GGGGG
TTTTT

import re
test = re.sub('\ |1|2|3|4|5|6|7|8|9|0|>|s|e|q|:', "", holder)
newone = test.rstrip("\n")

然后，我想将其用作我的一个热编码器的输入，该编码器包含在 if 语句中(有一个 if 语句用于检查 DNA 序列中是否存在任何意外的字母)。到目前为止，它看起来像这样:

for line in newone:

#if undesirable letters are present in sequence, an error message is displayed
    if (bool(result)) == True:
        print("The input sequence is invalid.")

#if sequence is in the correct format, proceed with one hot encoding

    else:   
     #mapping of bases to integers as a dictionary
        bases = "ATCG"
        base_to_integer = dict((i, c) for c, i in enumerate(bases))

    #encoding input sequence as integers
        integer_encoded = [base_to_integer[y] for y in newone]

    #one hot encoding
        onehot_encoded = list()
        for value in integer_encoded:
            base = [0 for x in range(len(bases))]
            base[value] = 1
            onehot_encoded.extend(base)
        print(onehot_encoded)

我可以在 shell 中看到这个错误，但我不确定为什么，因为我认为我已经在代码中指出“\n”需要被删除:

Traceback (most recent call last):
  File "C:\Users\Agatha\Documents\testtt.py", line 38, in <module>
    integer_encoded = [base_to_integer[y] for y in newone]
  File "C:\Users\Agatha\Documents\testtt.py", line 38, in <listcomp>
    integer_encoded = [base_to_integer[y] for y in newone]
KeyError: '\n'

我希望我的程序在输入文件的每一行上迭代代码，但我不确定如果\n 被剥离，我的 for 循环(“for line in newone”)是否会实现这一点，并且我不能弄清楚如何重新安排它以使其发挥作用。我的目标是让我的输出采用这种格式，其中每个单热编码序列都显示在单独的行上，例如:

[1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0
0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1]

如果您能提供有关此错误的根源以及如何修复它的建议，我将不胜感激。

Answer 1

如果我是您，我会使用 .split() 方法根据您阅读的文本创建一个列表。

test = re.sub('\ |1|2|3|4|5|6|7|8|9|0|>|s|e|q|:', "", holder)
newone = test.split("\n")

此时 newone 将类似于 ['', 'ATATAT', '', 'GGGGG', '', 'TTTTT', ''] 所以去掉多余的空格:

newone = [x for x in newone if x != '']

现在您收到的错误是因为您在列表理解中(代码的第 38 行)使用的是 newone 而不是 line。 line 的每个字母都是字典 base_to_integer 的键，但是您得到的 KeyError 是因为 \n 不是字典中的键。即使进行了我上面建议的更改后，您也会收到错误:

KeyError: 'ATATAT'

所以你应该将此行更改为:

integer_encoded = [base_to_integer[y] for y in line] 

解决这个问题给了我:

[1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0]
[0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1]
[0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0]

希望这有帮助。