r不是有效的字符类,我想您打算使用它
s。如果您也不使用它们,则可以减少它们的数量。
但最重要的是,您需要正确提取组:
match = re.search(r'>(w+)s+(w+)', line)if match: tag, gene = match.groups() myDict[tag] = gene
通过仅创建 两个 捕获组,我们可以更简单地使用提取这 两个 捕获组
.groups()并将它们直接分配给两个变量
tag和
gene。
但是,读取FASTA格式似乎表明这是一种多行格式,标签位于一行,其后的基因数据位于
多 行。在这种情况下,您本
r应匹配换行符。当您一次读取一行文件时,此功能将无效。
如果没有这样的正则表达式,则读取该格式会简单得多:
myDict = {}with open('d.fasta', 'rU') as filedata: tag = None for line in filedata: line = line.strip() if not line: continue if line[0] == '>': tag = line[1:] myDict[tag] = '' else: assert tag is not None, 'Invalid format, found gene without tag' myDict[tag] += lineprint myDict
这将逐行读取文件,根据起始
>字符检测标签,然后读取 多 行基因信息,将其收集到最近读取的标签下的字典中。
注意
rU模式;我们使用python的通用换行模式打开文件,以处理用于创建文件的换行约定。
最后但并非最不重要的; 看看BioPy项目;
他们的
Bio.SeqIO模块可以完美处理FASTA以及许多其他格式。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)