Question

我有一个包含以下结构文件的目录

A2ML1_A8K2U0_MutationOutput.txt
A4GALT_Q9NPC4_MutationOutput.txt
A4GNT_Q9UNA3_MutationOutput.txt
...

前几个字母代表基因，接下来的几个字母代表Uniprot编号（一个独特的蛋白质标识符），MutationOutput是自我解释的。

在Python中，我想执行以下行：

f_outputfile.write(mutation_directory + SOMETHING +line[1+i]+"_MutationOutput.txt\n")

此处，line[1+i]正确识别Uniprot ID。

我需要做的是正确识别基因名称。所以不知何故，我需要快速搜索该目录，在其uniprot字段中找到具有line[i+1]值的文件，然后取出基因名称。

我知道我可以列出目录中的所有文件，然后我可以对每个字符串执行str.split()并找到它。但有没有办法让我更聪明呢？我应该用字典吗？我可以快速进行正则表达式搜索吗？

整个目录大约有8,116个文件 - 所以不是很多。

感谢您的帮助！

Answer 1

我需要做的是正确识别基因名称。所以不知何故，我需要快速搜索该目录，找到其中包含行[i + 1]值的文件的uniprot字段，然后取出基因名称。

想想你如何在shell中做到这一点：

$ ls mutation_directory/*_A8K2U0_MutationOutput.txt
mutation_directory/A2ML1_A8K2U0_MutationOutput.txt

或者，如果你在Windows上：

D:\Somewhere> dir mutation_directory\*_A8K2U0_MutationOutput.txt
A2ML1_A8K2U0_MutationOutput.txt

你可以使用glob模块在Python中完成同样的事情：

>>> import glob
>>> glob.glob('mutation_directory/*_A8K2U0_MutationOutput.txt')
['mutation_directory/A2ML1_A8K2U0_MutationOutput.txt']

当然，你可以将它包装在一个函数中：

>>> def find_gene(uniprot):
...     pattern = 'mutation_directory/*_{}_MutationOutput.txt'.format(uniprot)
...     return glob.glob(pattern)[0]

但有没有办法让我更聪明呢？我应该用字典吗？

是否＆＃34;更智能＆＃34;取决于你的使用模式。

如果您每次运行查找数千个文件，那么只读一次目录并使用字典而不是重复搜索肯定会更高效。但是，如果您正在计划，例如，无论如何阅读整个文件，这将比查找它的时间长几个数量级，所以它可能不重要。你知道他们对过早优化的看法。

但是如果你愿意，你可以很容易地用Uniprot号码制作一个字典：

d = {}
for f in os.listdir('mutation_directory'):
    gene, uniprot, suffix = f.split('_')
    d[uniprot] = f

然后：

>>> d['A8K2U0']
'mutation_directory/A2ML1_A8K2U0_MutationOutput.txt'

我可以快速进行正则表达式搜索吗？

对于你的简单案例，你不需要正则表达式。*

更重要的是，你要搜索什么？要么你正在进行循环 - 在这种情况下你也可以使用glob - 或者你将不得不建立一个人工巨型字符串来搜索 - 在哪种情况下你可以使用glob。最好只是建立字典。

_{*事实上，至少在某些平台/实现中，{{1}}是通过从简单的通配符模式中生成正则表达式来实现的，但您不必担心这一点。}

Answer 2

你可以使用glob

In [4]: import glob

In [5]: files = glob.glob('*_Q9UNA3_*')

In [6]: files
Out[6]: ['A4GNT_Q9UNA3_MutationOutput.txt']