Question

我有这样的数据

contig34706   sp|A1IVM0|A1IVM0_TRIDB  96
contig118453  sp|A1IVM0|A1IVM0_TRIDB  98
contig12943   tr|A7XPA0|A7XPA0_TRIDB  96    
contig92741   tr|A7XPA0|A7XPA0_TRIDB  96    
contig92741   tr|A8QU19|A8QU19_TRIDB  94
contig523     tr|A9U8G7|A9U8G7_TRIDB  94    
contig14487   tr|A9U8G7|A9U8G7_TRIDB  95
contig80716   tr|A9U8G7|A9U8G7_TRIDB  93

我想知道文件中有多少重叠群和蛋白质，但显然没有考虑重复元素，所以我想将第[1]行中的元素相互比较并计算和打印元素，但是那些重复。第[0]行相同。

import re
count = 0
lines = open("file.txt", "r").readlines()
for line in lines:
    new_list=re.split(r'\t+',line.strip())
    contig=new_list[0]
    protien=new_list[1]
    for element in contig:
        if element != element:
            count += 1
        else:

好吧，我不知道如何完成，如果这是正确的方式...... 我想要的输出

 sp|A1IVM0|A1IVM0_TRIDB  96
 tr|A7XPA0|A7XPA0_TRIDB  96        
 tr|A8QU19|A8QU19_TRIDB  94
 tr|A9U8G7|A9U8G7_TRIDB  94

Answer 1

track=()
lines = open("file.txt", "r").readlines()
for line in lines:
    new_list=line.split()
    if new_list[1] not in track:
        print new_list[1]," ", new_list[2]
        track = (track, new_list[1])

如果第[2]行是新的，则打印并添加到元组以跟踪副本。

输出：

sp|A1IVM0|A1IVM0_TRIDB   96
tr|A7XPA0|A7XPA0_TRIDB   96
tr|A8QU19|A8QU19_TRIDB   94
tr|A9U8G7|A9U8G7_TRIDB   94

Answer 2

dc, dp = {}, {}
with open('file.txt') as f:
    for line in f:
        v = line.split()
        dc[v[0]] = dp[v[1]] = 1 
print len(dc), len(dp)
for k in dc: print k
for k in dp: print k

Answer 3

我想知道文件中有多少重叠群和蛋白质

这是一种方法：

from collections import defaultdict
count_contig = defaultdict(int)
count_protein = defaultdict(int)
with open('file.txt') as f:
    for line in f:
        line = line.split()
        count_contig[line[0]] += 1
        count_protein[line[1]] += 1
print 'Number of unique contigs:', len(count_contig)
print 'Number of unique proteins:', len(count_protein)

输出：

独特的重叠群数量：7

独特蛋白质的数量：6

您可以访问每个重叠群/蛋白质的实际出现次数，如下所示：

count_contig['contig92741'] # returns 2
count_contig['unknown_contig'] # returns 0, thanks to defaultdict

要列出独特的重叠群/蛋白质数量，只需访问词典的键：

print 'Unique contigs are:', count_config.keys()
print 'Unique protens are:', count_protein.keys()

输出：

独特的重叠群是：['contig12943'，'contig523'，'contig80716'，'contig118453'，'contig14487'，'contig34706'，'contig92741']

独特的protens是：['tr | A9U8G7 | A9U8G7_TRIDB'，'tr | A7XPA0 | A7XPA0_TRIDB'，'tr | A8QU19 | A8QU19_TRIDB'，'sp | A1IVM0 | A1IVM0_TRIDB'，'sp | A5A8T8 | A5A8T8_TRIDB'，'tr | A8QTZ7 | A8QTZ7_TRIDB']

Dictionary很精彩，你应该尝试更多地了解它。

Answer 4

您总是可以返回dict的每个计数：

contigs = """contig34706   sp|A1IVM0|A1IVM0_TRIDB  96
contig118453  sp|A1IVM0|A1IVM0_TRIDB  98
contig12943   tr|A7XPA0|A7XPA0_TRIDB  96    
contig92741   tr|A7XPA0|A7XPA0_TRIDB  96    
contig92741   tr|A8QU19|A8QU19_TRIDB  94
contig523     tr|A9U8G7|A9U8G7_TRIDB  94    
contig14487   tr|A9U8G7|A9U8G7_TRIDB  95
contig80716   tr|A9U8G7|A9U8G7_TRIDB  93"""

from collections import Counter

contigs = [c.split()[1] for c in contigs.split("\n")]
contig_cnts = Counter(contigs)

如果您不关心计数，甚至是set：

contig_set = set(contigs)

比较行中的元素

4 个答案: