使用正则表达式将数据转换为Python中的字典

Question

我有一个采用FASTA格式排序的数据集，基本上是这样的：

>pc284  
ATCGCGACTCGAC

>pc293  
ACCCGACCTCAGC

我想将每个标签用作字典中的键，并将基因存储为值。

这是我的代码，但实际上没有做任何事情：

import re
fileData = open('d.fasta', 'r')

myDict = dict()

for line in fileData:
  match = re.search('(\>)(\w+)(\r)(\w+)', line)
  if match: 
    gene = match.group(3)
    myDict[gene[0]] = gene[1]

print myDict

Answer 1

\r不是有效的字符类，我想您打算使用它\s。如果您也不使用它们，则可以减少它们的数量。

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

通过仅创建 两个 捕获组，我们可以更简单地使用提取这 两个 捕获组.groups()并将它们直接分配给两个变量tag和gene。

但是，读取FASTA格式似乎表明这是一种多行格式，标签位于一行，其后的基因数据位于
多 行。在这种情况下，您本\r应匹配换行符。当您一次读取一行文件时，此功能将无效。

如果没有这样的正则表达式，则读取该格式会简单得多：

myDict = {}

with open('d.fasta', 'rU') as fileData:
    tag = None
    for line in fileData:
        line = line.strip()
        if not line:
            continue
        if line[0] == '>':
            tag = line[1:]
            myDict[tag] = ''
        else:
            assert tag is not None, 'Invalid format, found gene without tag'
            myDict[tag] += line

print myDict

这将逐行读取文件，根据起始>字符检测标签，然后读取 多 行基因信息，将其收集到最近读取的标签下的字典中。

注意rU模式；我们使用python的通用换行模式打开文件，以处理用于创建文件的换行约定。

最后但并非最不重要的; 看看BioPy项目;
他们的Bio.SeqIO模块可以完美处理FASTA以及许多其他格式。