Question

我有以下格式的DNA文件：

>gi|5524211|gb|AAD44166.1| cytochrome
ACCAGAGCGGCACAGCAGCGACATCAGCACTAGCACTAGCATCAGCATCAGCATCAGC
CTACATCATCACAGCAGCATCAGCATCGACATCAGCATCAGCATCAGCATCGACGACT
ACACCCCCCCCGGTGTGTGTGGGGGGTTAAAAATGATGAGTGATGAGTGAGTTGTGTG
CTACATCATCACAGCAGCATCAGCATCGACATCAGCATCAGCATCAGCATCGACGACT
TTCTATCATCATTCGGCGGGGGGATATATTATAGCGCGCGATTATTGCGCAGTCTACG
TCATCGACTACGATCAGCATCAGCATCAGCATCAGCATCGACTAGCATCAGCTACGAC

如何阅读此文件并提取DNA序列部分（ACCAGAGCGG...）而不添加任何换行符，例如：

ACCAGAGCGGCACAGCAGCGACATCAGCACTAGCACTAGCATCAGCATCAGCATCAGCCTACATCATCACAGCAGCATCA

也许不需要正则表达式？

Answer 1

如果总是只有一行标题：

dnalines = text.split('\n')[1:]
dna = ''.join(dnalines)

使用text =文件的内容（例如，text = open('yourfile').read()）

Answer 2

我做了一些测试，看起来以下效果比delroth's answer更有效：

text.split('\n', 1)[1].replace('\n', '')

编辑等等，这不是那么简单。我使用Python 2.6.4和3.1.1在两个方法上对两个方法进行了两次计时：〜30MB文件：

Python 2.6.4，我的版本：

$ python -m timeit -c "open('x').read().split('\n', 1)[1].replace('\n', '')"
10 loops, best of 3: 221 msec per loop
$ python -m timeit -c "open('x').read().split('\n', 1)[1].replace('\n', '')"
10 loops, best of 3: 219 msec per loop

Python 2.6.4，delroth的版本：

$ python -m timeit -c "''.join(open('x').read().split('\n')[1:])"
10 loops, best of 3: 392 msec per loop
$ python -m timeit -c "''.join(open('x').read().split('\n')[1:])"
10 loops, best of 3: 390 msec per loop

Python 3.1.1，我的版本：

$ python3 -m timeit -c "open('x').read().split('\n', 1)[1].replace('\n', '')"
10 loops, best of 3: 803 msec per loop
$ python3 -m timeit -c "open('x').read().split('\n', 1)[1].replace('\n', '')"
10 loops, best of 3: 798 msec per loop

Python 3.1.1，delroth的版本：

$ python3 -m timeit -c "''.join(open('x').read().split('\n')[1:])"
10 loops, best of 3: 610 msec per loop
$ python3 -m timeit -c "''.join(open('x').read().split('\n')[1:])"
10 loops, best of 3: 610 msec per loop

结论： Python 3 多慢，这取决于Python版本两个代码片段中哪一个更快！

如何使用Python读取此文件？

2 个答案: