我有一系列输入文件,例如:
chr1 hg19_refFlat exon 44160380 44160565 0.000000 + . gene_id "KDM4A"; transcript_id "KDM4A";
chr1 hg19_refFlat exon 19563636 19563732 0.000000 - . gene_id "EMC1"; transcript_id "EMC1";
chr1 hg19_refFlat exon 52870219 52870551 0.000000 + . gene_id "PRPF38A"; transcript_id "PRPF38A";
chr1 hg19_refFlat exon 53373540 53373626 0.000000 - . gene_id "ECHDC2"; transcript_id "ECHDC2_dup2";
chr1 hg19_refFlat exon 11839859 11840067 0.000000 + . gene_id "C1orf167"; transcript_id "C1orf167";
chr1 hg19_refFlat exon 29037032 29037154 0.000000 + . gene_id "GMEB1"; transcript_id "GMEB1";
chr1 hg19_refFlat exon 103356007 103356060 0.000000 - . gene_id "COL11A1"; transcript_id "COL11A1";
在我的代码中,我试图从每一行中捕获2个元素,第一个是数字,后面写的是外显子,第二个是基因(数字和字母组合,用“”括起来,例如“KDM4A”)。这是我的代码:
^{pr2}$由于某些原因,start工作得很好,但基因并不能捕获任何东西。输出如下:
48050
0
我想这和基因名周围的“”有关,但如果我在终端上输入这个,效果很好:
>>> x = 'A b P "G" m'
>>> x
'A b P "G" m'
>>> x.split('"')[1]
'G'
>>>
有什么解决办法吗?即使这是一种完全不同的方式从每行捕获2项数据。谢谢
您可以将所有行加载到一个列表中,然后对该列表中的每个项执行
split
(如果文件很长,则不确定效率如何)您可以使用regex。在
DEMO
这是因为当你在这里循环一次文件对象时,
start = set([line.strip().split()[3] for line in r])
再次尝试在这里genes = set([line.split('"')[1] for line in r])
循环一次耗尽的文件对象解决方案:
您可以查找文件的开头(这是解决方案之一)
修改代码:
相关问题 更多 >
编程相关推荐