python - 在矩阵中管理和子串多个字符串(Python & Numpy)
问题描述
我有一个名为“test.fa”的文件,内容如下:
>Sequence 1
TCAGAACCAGTTATAAATTTATCATTTCCTTCTCCACTCCT
>Sequence 2
CCCACGCAGCCGCCCTCCTCCCCGGTCACTGACTGGTCCTG
>Sequence 3
TCGACCCTCTGGAACCTATCAGGGACCACAGTCAGCCAGGCAAG
>Sequence 4
AAAACACTTGAGGGAGCAGATAACTGGGCCAACCATGACTC
这个测试文件只有 8 行,但可以有更多。我现在也不知道所有序列的长度。所以首先我计算行数,并根据行数创建一个矩阵。
import numpy as np
filename = "test.fa"
with open(filename, 'r') as file:
n1 = 0
n2 = 0
for line in file.readlines():
if line[0] != '>':
m1 = 1
n1 = n1 + m1
else:
m2 = 1
n2 = n2 + m2
seq = np.chararray((n1,2),itemsize = 99)
接下来,我将值添加到矩阵中。
with open(filename, 'r') as file:
n3 = -1
n4 = -1
for line in file.readlines():
if line[0] != '>':
m3 = 1
n3 = n3 + m3
seq[n3,1] = line
else:
m4 = 1
n4 = n4 + m4
seq[n4,0] = line
如果我调用'seq',我会得到:
chararray([[b'>Sequence 1', b'TCAGAACCAGTTATAAATTTATCATTTCCTTCTCCACTCCT'],
[b'>Sequence 2', b'CCCACGCAGCCGCCCTCCTCCCCGGTCACTGACTGGTCCTG'],
[b'>Sequence 3', b'TCGACCCTCTGGAACCTATCAGGGACCACAGTCAGCCAGGCAAG'],
[b'>Sequence 4', b'AAAACACTTGAGGGAGCAGATAACTGGGCCAACCATGACTC']], dtype='|S99')
seq[2,1]: b'TCGACCCTCTGGAACCTATCAGGGACCACAGTCAGCCAGGCAAG'
seq[2,1][0] : 84
seq[2,1][0:8] : b'TCGACCCT'
seq[2,8][8] : 67
seq[2,1][8:9] : C
这感觉不是管理这些数据的最佳方式(为什么 [2,1][0] 返回 84?)。我不确定项目大小为 99 的 np.chararray 是最好的方法。
我的问题是:组织/管理这些数据的更好方法是什么?我最终需要计算每个核苷酸的出现次数(即有多少 As、Ts、Cs、Gs),并从每个序列中提取子串。就上下文而言,这与期望最大化和吉布斯抽样有关。
解决方案
它返回 84,而类型是 S99,因为找到的最大长度是 99,所以类型是 S99,你从文件中读取的方式不是那么正确,管理你的数据的更好方法是使用dict
,我不知道是否它将满足您的下一个需求,但这里是:
seq={}
with open("file") as f:
for line in f:
seq[line]=next(f)
这里它将一次读取两行,所以第一行line
有序列 1,next(f) 有 seq TGC .....,如果发生文件的顺序不一致,请使用 if 语句