python - 如何对文件中的多个字符串进行多次修改并输出到新文件

Question

我是 pythong 编程新手，并且有一个 fasta 文件，我想解析该文件以在特定软件中使用。该文件包含两行:1) 序列标识符和分类法，以空格分隔，分类法中的最后一个物种名称也可能包含空格，2) dna 序列(参见下面的示例):

>123876987 Bacteria;test;test;test test test
ATCTGCTGCATGCATGCATCGACTGCATGAC
>239847239 Bacteria;test;test;test1 test1 test1
ACTGACTGCTAGTACGATCGCTGCTGCATGACTGAC

经过一番努力和一些帮助，我成功地将我的 fasta 文件解析为仅显示序列 ID 和分类的分类文件:

123876987 Bacteria;test;test;test test test
239847239 Bacteria;test;test;test1 test1 test1

但是，我使用的软件需要以特殊方式格式化分类文件。分类文件的内容必须:1)删除 fasta 文件中的“>”，2)用制表符将标识符和分类与每个序列标题分开(即替换字符串中第一次出现的空格)通过制表符)，3)将分类字符串中的所有空格替换为“_”，并用分号结束分类(参见下面的示例):

123876987    Bacteria;test;test;test_test_test;
239847239    Bacteria;test;test;test1_test1_test1;

我一直在尝试通过摆弄我的工作脚本来做到这一点:

with open("test.fasta", "r") as fasta, open("test.tax", "w") as tax:
    while True:
        SequenceHeader= fasta.readline()
        Sequence= fasta.readline()
        if SequenceHeader == '':
            break
        tax.write(SequenceHeader.replace('>', '')) 

修改它:

with open("test.fasta", "r") as fasta, open("clean_corrected.tax", "w") as tax:
    while True:
        SequenceHeader= fasta.readline()
        Sequence= fasta.readline()      
        old = {'>',' '}
        new = {'','_'}
        CorrectedHeader = SequenceHeader.replace('old','new')
        if SequenceHeader == '':
            break
        tax.write(CorrectedHeader)

但这根本不起作用。有谁知道我该怎么做？

非常感谢您的帮助!

Answer 1

以下应该有效:

with open("test.fasta", "r") as fasta, open("test.tax", "w") as tax:
    for line in fasta:
        if line.startswith('>'):
            line = line[1:]                   # remove the '>' from start of line
            line = line.replace(' ', '\t', 1) # replace first space with a tab
            line = line.replace(' ', '_')     # replace remaining spaces with '_'
            line = line.strip() + ';\n'       # add ';' to the end
            tax.write(line)                   # write to the output file