附加defaultdict

Question

我有那个文件my_file.txt（我只显示开头）：

a    CACAAAAAGCGGCGTGGATTGATATTGTAATACGACTCACTATAGACCAACACTAATAATTATATCACTTCGCCT
b    ACAGGNNNNNCTGCGTCTCAGGCGTTTTTTTTTTTTTTTTAAACAGCAAATTTTATTCATATACTAACCCCGCCT
c    CAGTTTTTTGTCTCAGGCGTTTTTTTTTTTAAAAATTTTTTTTATCCCGTTTTTATAAGGCTATACCTGTCCGCCT
d    CACACAAAAATGAGAGTGGATTGATTATGTAATACGACTCACTATAGGGTCGACAGCTTCGTCTTCGCCGCCTAA

我需要查看my_file.txt第二个字段的前10个字符中的3个模式。我用我要找的句型编了一本字典

seq={}

seq['bc1']='AAAAAA'
seq['bc2']='TTTTTT'
seq['bc3']='NNNNNN'

微妙之处在于一行通常应该与另一行匹配 如果我们专注于前10个字符，那么只有一种my_file.txt模式。例如，模式AAAAA将与第一行和第四行匹配

我想得到一个作为输出的字典，其中包含字典的键seq，以及作为值的my_file.txt的对应行。最后一个条件是模式“GCCT”需要出现在行的最后10个字符中；如果没有，则即使在seq中找到模式，也不会将该行添加到字典中（此处，模式始终存在于最后10个字符中）：

defaultdict(<type 'list'>, {'bc1': [['a', 'CACAAAAAAGCGGCGTGGATTGATATGTAATACGACTCACTATAGACCAACACTAATAATTATATCACTTCGCCT\n'], ['d','CACACAAAAAATGAGAGTGGATTGATATGTAATACGACTCACTATAGGGTCGACAGCTTCGTCTTCGCCGCCTAA\n']], 'bc2': ['c', 'CAGTTTTTTGTCTCAGGCGTTTTTTTTTTTTTTTTTTTCACAAATAATCCCGTTTTTATAAAAACCTGTCCGCCT\n'], 'bc3':['ACAGGNNNNNCTGCGTCTCAGGCGTTTTTTTTTTTTTTTTAAACAGCAAATTTTATTCATATACTAACCCCGCCT\n']})

我有：

    from collections import defaultdict
    
    my_dict = defaultdict(list)
    
    pattern='GCCT'
    
    with open("my_file.txt","r") as file:
         for lines in my_file.readlines():
                line=lines.split("\t")
                bar=line[1][0:10]
                tail=line[1][-10:]
                for k,v in seq.items():
                        if v in bar and pattern in tail:
                                my_dict[k].append(line)

然后，我将该字典提取为一个csv文件，其中键为文件名：

for k,v in my_dict.items():
        with open("output_{}.fna".format(k), "w") as f:
                csv=';'.join([','.join(t) for t in v])
                f.write("%s,%s\n" % (k, csv))

我的问题是：当我查看输出文件时，我可以在两个文件中发现同一行。例如，行c XXXXXX将被添加到两个文件中：一个对应于bc1（不正常），另一个对应于bc2（正常->；在模式TTTTT上选择）。原因是：我们可以发现线的中间{{CD4}}，{{CD11}} CGTTTTTGTCTCGTGTTTTTTTT <强> AAAAA < /强> TTTTTTT ATCCGTTTTATAGACTACTACTGTCCGCCTT & GT；因此，选择不仅仅是在前15个字符上进行的。我不明白为什么

有什么帮助吗

Answer 1

如果我理解正确，您的目标是在字符串的前15个字符（CACATAGAGCGCTGC）中找到具有特定字符串（如CACATA）的行，（我猜是dna）（CACATAGAGCGCTGCGTGGATTGATATGTAATACGACTCACTATAGACCAACACTAATAATTATATCACTTCTTAAAATGGCTAATTCATTTTTCTTATCCTTATTAGTGTTATTC）

在这种情况下，代码中的seq太长了

with open("my_file.txt","r") as file:
        for lines in file.readlines():
                line=lines.split("\t")
                # seq=line[1][0:55]
                seq=line[1][0:15]
                for k,v in barcodes.items():
                        if v in seq:
                                my_dict[k].append(lines)