输入数据

Question

我需要将文本文件转换为物种和基因片段的数量。为此我想创建一个字典，用我用模式搜索的键填充。每个键应该有3个项目（数字）从0开始。使用另一个模式，我想查找基因片段，如果有，我想增加计数。

我正在搜索3个不同的基因片段，为什么我只想增加item1，item2或item3。有没有办法用python做到这一点？

这是我现在写的代码，但我不知道如何继续。

matrix = {}
pattern = re.compile(r"[A-Za-z ]*")
pattern_v = re.compile(r";[A_Z]+V[0-9]?;")
pattern_d = re.compile(r";[A_Z]+D[0-9]?;")
pattern_j = re.compile(r";[A_Z]+J[0-9]?;")
for i in file.readlines():
    name = pattern.search(i)
    if pattern_v.search:
        if name.group() not in matrix:
            matrix.update(name.group(), (1,0,0))
        else:
            matrix[(name.group()[0]] = matrix[(name.group()[0]]+1
...

如您所见，如果找到pattern_v，我想在零位置增加该项目。我知道，最后一个命令不起作用，我只是写它来解释，我想做什么。

编辑添加：我的算法正常运行，但现在我遇到了问题，我无法按照自己的意愿打印它。

{＆＃39; Mus cookii＆＃39;：[0,0,0]，＆＃39; Ovis aries＆＃39;：[0,7,9]，＆＃39; Camelus dromedarius＆＃39;： [2,0,0]，＆＃39; Danio rerio＆＃39;：[1,1,5]，＆＃39; Mus saxicola＆＃39;：[0,0,0]，＆＃39; Homo sapiens＆＃39;：[21,6,33]，＆＃39; Rattus norvegicus＆＃39;：[0,1,12]，＆＃39; Sus scrofa＆＃39;：[0,5,13]，＆＃ 39; Vicugna pacos＆＃39;：[0,9,7]，＆＃39; Macaca nemestrina＆＃39;：[0,0,0]，＆＃39; Mus spretus＆＃39;：[4,0,2 ]，＆＃39; Mus musculus＆＃39;：[30,5,28]，＆＃39; Mus minutoides＆＃39;：[0,0,0]，＆＃39; Oncorhynchus mykiss＆＃39;：[0 ，11,16]，＆＃39; Canis lupus familiaris＆＃39;：[4,2,0]，＆＃39; Bos taurus＆＃39;：[2,5,12]，＆＃39; Cercocebus atys＆＃ 39;：[0,0,0]，＆＃39; Oryctolagus cuniculus＆＃39;：[0,0,10]，＆＃39; Rattus rattus＆＃39;：[0,0,0]，＆＃39 ; Ornithorhynchus anatinus＆＃39;：[0,4,9]，＆＃39; Macaca mulatta＆＃39;：[1,3,16]，＆＃39; Papio anubis anubis＆＃39;：[0,0,0 ]，＆＃39; Macaca fascicularis＆＃39;：[0,0,0]，＆＃39; Mus pahari＆＃39;：[0,0,0]}

是输出，但我需要让它更舒适阅读。我们的想法是使用列（名称，v，d，j）创建输出。我试过了：

def printStatistics(dict):
    for i in range(0,len(dict)):
        print(" {0:30s}{1:30d}{2:30d}{3:30d}".format(dict[i],dict[i]    [0],dict[i][1],dict[i][2]), sep = "")

但是我得到了

＆＃34; TypeError：传递给object的非空格式字符串。格式＆＃34;

Answer 1

您可以使用collections.defaultdict

来使算法正常工作

输入数据

import re
from collections import defaultdict
import numpy as np

data= '''Bos taurus;TRGV8-1;F;Bos taurus T cell receptor gamma variable 8-1;1;4;4q3.1;AY644517;-;
Bos taurus;TRGV8-2;(F) F;Bos taurus T cell receptor gamma variable 8-2;2;4;4q3.1;AY644517;-;
Camelus dromedarius;TRDV1S3;F;Camelus dromedarius T cell receptor delta variable 1S3;1;-;-;FN298223;-;
Camelus dromedarius;TRDV1S4;F;Camelus dromedarius T cell receptor delta variable 1S4;2;-;-;FN298224;-;
Canis lupus familiaris;TRBD2;F;Canis lupus familiaris T cell receptor beta diversity 2;1;16;-;HE653929;-;'''
patterns = [
    re.compile(r"TR.V"),
    re.compile(r"TR.D"),
    re.compile(r"TR.J")
]
result = defaultdict(lambda:np.array([0,0,0]))

脚本

for line in data.splitlines():
    result[line.split(';')[0]]+=np.array([len(pattern.findall(line)) for pattern in patterns])
print(result)

输出

defaultdict(<function <lambda> at 0x7f622f81c140>, {'Camelus dromedarius': array([2, 0, 0]), 'Canis lupus familiaris': array([0, 1, 0]), 'Bos taurus': array([2, 0, 0])})

defaultdict的工作方式类似于字典，但每个键都是用您选择的可调用语句初始化的。 lambda: [0,0,0]使您能够立即增加组出现次数，而不必进行更新和增量。

我决定使用numpy数组，因为它们支持向量添加操作，这使得算法更漂亮，你也可以在没有numpy的情况下进行操作。

Answer 2

现在找到一个使用defaultdictionary的解决方案：

def printStatistics(dict):
    print(" {0:<30s}{1:<15s}{2:<15s}{3:<15s}".format("Species", "V Count", "D Count", "J Count"), sep = "")
    for item in dict:
        print(" {0:<30s}{1:<15d}{2:<15d}{3:<15d}".format(item,dict[item][0],dict[item][1],dict[item][2]), sep = "")

<强>印刷

{{1}}

Thx 4帮助！

在python中计算Gene段并在列

2 个答案:

输入数据

脚本

输出