python - 如何注册序列中的 ID 和出现次数(或次数)？

Question

我是 python 的新手，所以请多多包涵。我被要求创建一个程序。我需要在每个序列中查找模式(必须由用户使用键盘提供)字符串的出现，如果出现，则在序列中注册 ID 和出现次数(计数)。

数据如下所示:

id  sequence
1   MVLSEGEWAAVLHVWAKVEADVAAGHGQDILIRLFKS
2   MNIFEMLRIAAGLRLKIYKDTEAAGYYTIGIGHLLTKSPSL
3   MVLSEGEWQLVLHVWAKVEADVAGHGQDILIRLFKSH
4   MNIFEMLRAAEGAALRLKIYKAADTEGYYTIGIGHLLTKS
5   MVLSAAEGEWQLVLHVWAKVEADVAGHGQDILIRLFK

其中 ids 是数字，sequence 是每个数字下面的序列。该文件是 (100437 x 2) 的矩阵

这是我目前的代码:

import re

def proteins_pattern_count(pattern):
    with open("proteins.csv", 'r') as proteins:
        proteins = proteins.read()
        items = re.findall(pattern, proteins)
    return len(items)

# Reading the pattern to look for and forcing the input to change the pattern to capital letters.
pattern = input("Please type in the pattern you would like to look for: ").upper()

count = proteins_pattern_count(pattern)

print('The pattern {} appears {} times within the proteins file'.format(pattern, count))

我得到的输出:

Please type in the pattern you would like to look for: AA
The pattern AA appears 173372 times within the proteins file

但我真正想要的是:例如，如果我正在寻找的模式是“AA”，那么我希望看到一个表格，其中仅包含实际内部具有这种模式的序列的 ID 和数量(计数) 出现在序列中，像这样:

id  count
1   2
2   2
4   3
5   1

我认为这很容易做到，但我是 Python 的新手。

感谢您的支持!!

Answer 1

首先，我强烈建议为 .readlines() 返回的对象使用不同的变量名，因为当前您正在覆盖文件指针。虽然此代码不是必需的，但通常是一种很好的做法。

其次，为了让事情变得更简单，您可能希望使用 csv.reader 以一种漂亮、简单的方式拆分您的 csv。

以下是您可以使用的三个代码片段:

import re, csv

def proteins_slow1(pattern):
    with open("proteins.csv", 'r') as fp:
        proteins = csv.reader(fp, delimiter=',')
        ids, counts = [], []
        for i,seq in proteins:
            count = len(re.findall(pattern, seq))
            if count != 0:
                ids.append(i)
                counts.append(count)
    return ids, counts

def proteins_slow2(pattern):
    with open("proteins.csv", 'r') as fp:
        proteins = csv.reader(fp, delimiter=',')
        struct = {}
        for i,seq in proteins:
            count = len(re.findall(pattern, seq))
            if count != 0:
                struct[i] = count
    return struct

def proteins_fast(pattern):
    with open("proteins.csv", 'r') as fp:
        proteins = csv.reader(fp, delimiter=',')
        struct = {}
        for i,seq in proteins:
            count = seq.count(pattern)
            if count != 0:
                struct[i] = count
    return struct

proteins_slow1 创建两个列表，如果计数不为零，则追加它们。该函数以返回一个包含 ids 列表和 counts 列表的元组结束。

这几乎和 proteins_slow2 一样快，它创建一个字典，并将新条目添加为键值对(id 作为键，count 作为值)。

最快的方法是实际上不使用 re 而是在序列字符串上使用 .count() 方法。这将减少大约 30-40% 的运行时间(如果您反复查看 100000 多行，这将变得很重要)。

>>> %timeit proteins_slow1('AA')
199 ms ± 12.1 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
>>> %timeit proteins_slow2('AA')
187 ms ± 767 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
>>> %timeit proteins_fast('AA')
119 ms ± 539 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

(定时测试是通过从以下函数制作一个 csv 文件来完成的:)

def writer():
    with open("proteins.csv", 'w', newline='\n', encoding='utf-8') as fp:
        proteins = csv.writer(fp, delimiter=',')

        for i in range(20000):
            proteins.writerow([str(0+i*5),'MVLSEGEWAAVLHVWAKVEADVAAGHGQDILIRLFKS'])
            proteins.writerow([str(1+i*5),'MNIFEMLRIAAGLRLKIYKDTEAAGYYTIGIGHLLTKSPSL'])
            proteins.writerow([str(2+i*5),'MVLSEGEWQLVLHVWAKVEADVAGHGQDILIRLFKSH'])
            proteins.writerow([str(3+i*5),'MNIFEMLRAAEGAALRLKIYKAADTEGYYTIGIGHLLTKS'])
            proteins.writerow([str(4+i*5),'MVLSAAEGEWQLVLHVWAKVEADVAGHGQDILIRLFK'])

尽情享受吧!