Question

我尝试使用Python编写一个程序，该程序从文件＃1（contig_numbers）中获取单词列表，并通过在两个不同文件中逐行迭代来查找该单词（＃2注释和＃3丰富）。如果在两个文件中找到该单词，则输出将为是文件＃2（注释）中的行，选项卡分隔和行格式文件＃3（丰度）。如果在文件＃2中找到该单词而在＃3中找不到该单词，那么输出将只是文件＃2中的行（只是注释）。这个词也可以在文件＃2中找到很多次（见下面的例子）

我向你展示了我写的代码，但似乎它不像我希望的那样工作：

#!/usr/bin/env python3
# coding: utf-8

import re
import sys

annotation = open('annotation', 'r')
abundance = open('abundance', 'r')

with open('contig_numbers', 'r') as f:
   keywords = ([line.strip() for line in f])

new_file = open ('/home/Bureau/test-script/output_file_test', 'w')

for line in annotation:
   line1 = (line) 
   for word in keywords:
      if re.match (r"\b"+word+r"\b" , line1): 
         match1 = (line1.strip())
         for line2 in abundance:
             line2 =(line2)
             if re.match (r"\b"+word+r"\b" , line1):
                 match2= (line2.strip())                 
                 print (match1+"\t"+match2, file = new_file)
                 break

文件示例： contig_numbers

contig-3
contig-2
contig-1
contig-10
contig-14
contig-27

注释

contig-1    out.27-Actinomycetales  gene_id_947 NULL    NULL    NULL    NULL    NULL    NULL    
contig-1    out.27-Actinomycetales  gene_id_948 NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-1    out.27-Actinomycetales  gene_id_949 NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-3    out.24-NULL gene_id_3294    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-3    out.24-NULL gene_id_3295    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-10   out.23-NULL gene_id_11670   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-10   out.23-NULL gene_id_11671   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-14   out.23-NULL gene_id_16640   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-27   out.31-NULL gene_id_32333   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-27   out.31-NULL gene_id_32334   NULL    NULL    NULL    NULL    NULL    NULL    NULL

丰度

contig-3    4578    29.5413
contig-2    1091    13.6616
contig-1    2608    11.5441
contig-8    8194    34.0362
contig-9    1457    10.5831
contig-10   1236    8.48298

所需输出的一个示例（注释标签分离丰度）（这是我期望的程序正确运行）此文件不是程序的输出这只是我提出的一个例子：

contig-1    out.27-Actinomycetales  gene_id_947 NULL    NULL    NULL    NULL    NULL    NULL    2608    11.5441 
contig-1    out.27-Actinomycetales  gene_id_948 NULL    NULL    NULL    NULL    NULL    NULL    NULL    2608    11.5441 
contig-1    out.27-Actinomycetales  gene_id_949 NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    2608    11.5441 
contig-3    out.24-NULL gene_id_3294    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    4578    29.5413
contig-3    out.24-NULL gene_id_3295    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    4578    29.5413
contig-10   out.23-NULL gene_id_11670   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-10   out.23-NULL gene_id_11671   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-14   out.23-NULL gene_id_16640   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    
contig-27   out.31-NULL gene_id_32333   NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
contig-27   out.31-NULL gene_id_32334   NULL    NULL    NULL    NULL    NULL    NULL    NULL

Answer 1

只是一些提示：

有多个不必要的括号：

keywords = ([line.strip() for line in f])

与

完全相同

keywords = [line.strip() for line in f]

和

line1 = (line)

与

完全相同

line1 = line

代码中还有一些地方会发生这种情况。

你根本不需要正则表达式。 Python字符串具有方便的startswith()方法：

而不是

if re.match (r"\b"+word+r"\b" , line1):

你应该写

if line1.startswith(word):

我没有看到此要求的任何代码

如果在文件＃2中找到该单词而在＃3中找不到该单词，那么输出将只是文件＃2中的行。

否则你的代码似乎并不太远。您必须清楚您对输出的期望以及计算机程序如何创建此输出。根据你所写的内容，我知道你可能想要实现什么，并认为这可能是它：

annotations = open('annotation', 'r')
abundances = open('abundance', 'r').readlines()     # read the file into memory, otherwise you'd have to "rewind" the file for each inner loop.

with open('contig_numbers', 'r') as f:
   keywords = [line.strip() for line in f]


for annotation in annotations:     # use meaningful variable names
   for keyword in keywords:
      if annotation.startswith(keyword+" "):    # the +" " is neccessary to avoid clashes with 'contig-2' and 'contig-27'
         for abundance in abundances:
             if abundance.startswith(keyword+" "):
                 print (annotation.strip()+"\t"+abundance.strip())
                 break 
         else:              # Python magic: executed when the for loop is not left by a break, but because the iterator is empty.
             print(annotation.strip())

进一步假设丰度文件中最多出现一次丰度，将它们存储在字典中而不是一次又一次地迭代整个文件是有意义的......

另一项改进：将contig_numbers存储为一组，以便快速进行成员资格测试。

abundances = {}
with open('abundance', 'r') as f:
    for line in f:
        contig, rest = line.strip().split(maxsplit=1)
        abundances[contig] = rest

with open('contig_numbers', 'r') as f:
   contig_numbers = set(line.strip() for line in f)


annotations = open('annotation', 'r')
for annotation in annotations:
    key = annotation.split(maxsplit=1)[0]
    if key in contig_numbers:
        if key in abundances:
            print (annotation.strip() + "\t" + abundances[key])
        else:
            print(annotation.strip())

Answer 2

虽然你没有提到你试图解决的问题，但是由于代码运行，我将假设问题是输出文件是空的。

原因是您在程序退出之前没有刷新或关闭文件。只需在最后添加一个new_file.close()即可让您前进。

在两个文件中搜索单词并使用表格分隔打印两行

2 个答案: