在Python中使用regex将数据转换为字典

Question

我有一个使用FASTA格式排序的数据集，基本上如下所示：

>pc284  
ATCGCGACTCGAC

>pc293  
ACCCGACCTCAGC

我想把每个标签作为字典中的键使用，并将基因存储为一个值。在

这是我的代码，但实际上什么也没做：

^{pr2}$

Answer 1

我看到两个错误：

你的正则表达式可能是错的。您的FASTA输入不太可能实际包含一个空回车符（\r），因此您的regex不会匹配任何内容。因此if match:测试总是错误的，所以什么都不会发生。在

此外，在处理每个匹配项时：将gene的第一个字符（空白）添加为键，将第二个字符添加为值。在

你可能想分别使用第2组和第4组：

myDict[match.group(2)] = match.group(4)

Answer 2

\r不是一个有效的字符类，我想你是想用\s代替。如果你不使用它们，你可以减少它们。在

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

通过只创建两个捕获组，我们可以更简单地用.groups()提取这两个，并直接将它们分配给两个变量，tag和{}。在

然而，阅读FASTA format似乎表明这是一种多行格式，标签在一行，基因数据在多行之后。在这种情况下，您的\r是为了匹配换行符。当你一次读一行文件时，这行不通。在

如果不使用以下正则表达式，则读取该格式会简单得多：

^{pr2}$

这将逐行读取文件，根据起始的>字符检测标记，然后读取多行基因信息，将其收集到字典中最近读取的标记下。在

注意rU模式；我们使用python的universal newlines mode打开文件，以处理创建文件时使用的任何换行约定。在

最后但并非最不重要的是，看看BioPy project；它们的^{} module可以完美地处理FASTA和其他许多格式。在

Answer 3

不要为此使用正则表达式。。。在

class FASTA(object):
    def __init__(self,data):
        self.data = data.strip().splitlines()
        self.desc = self.data[0]
        self.sequence = "".join(self.data[1:]).replace(" ","")#get rid of spaces
    def  GetCodons(self):
        return [self.sequence[i:i+3] for i in range(0,len(self.sequence),3)]
    def __str__(self):
        return "DESC:'%s'\nSEQ:'%s'"%(self.desc,self.sequence)

with open("data.fasta") as f:
      data = f.read()
parts = data.split(">")
for p in parts[1:]:
    f= FASTA(p)
    print f
    print f.GetCodons()