在python中用“from an infie”拆分线

Question

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

Answer 1

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）

with open(infile) as r:
    lines = [line for line in r]
    start = set([line.strip().split()[3] for line in lines])
    genes = set([line.split('"')[1] for line in lines]) 

Answer 2

您可以使用regex。在

with open(file) as f:
    start = []
    genes = []
    for line in f:
        st, gen = re.search(r'\bexon\s+(\d+)\b.*?\s+gene_id\s+"([^"]*)"', line).groups()
        start.append(st)
        genes.append(gen)
    print set(start)
    print set(genes)

DEMO

Answer 3

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：

with open(infile,'r') as r:
    start = set([line.strip().split()[3] for line in r])
    r.seek(0, 0)
    genes = set([line.split('"')[1] for line in r])
    print len(start)
    print len(genes)