Python 3。x-如何有效地将对象数组拆分为更小的批处理文件？

Question

我是Python的新手，我正在尝试将一个文本文件（其中条目由两行组成）拆分为最多400个对象。

我正在处理的数据是FASTA格式的数千个序列（带有标题的纯文本，用于生物信息学），其中条目如下所示：

PIPPPASHFHPHHQNPSAATQPLCAAMAPAAKKPPLKSSSSHNSAAGDAA

MVKftaelrgimdkknirnmsviahvd

...

在Biopython中，有一个解析器SeqIO。parse允许将它们作为由id和字符串组成的对象数组进行访问，我需要在代码的后面部分使用它，并且由于我需要节省内存，所以我希望避免读取/解析源文件的次数过多。

在Biopython手册中，有一种推荐的方法可以通过生成器来实现这一点，我正在使用：https://biopython.org/wiki/Split_large_file

然而，我使用的是Python3.7，而代码在Python2中。x、 所以肯定有一些必要的改变。我改变了主意

entry=迭代器。下一个（）

成

entry=next（迭代器）

但我不确定这是否就是我需要改变的全部。

代码如下：

def batch_iterator(iterator, batch_size=400):
    """Returns lists of length batch_size."""
    entry = True  # Make sure we loop once
    while entry:
        batch = []
        while len(batch) < batch_size:
            try:
                entry = next(iterator)
            except StopIteration:
                entry = None

            if entry is None:
                # End of file
                break
            batch.append(entry)
        if batch:
            yield batch

while True:
    bsequence = input("Please enter the full path to your FASTA file(e.g. c:\\folder1\\folder2\\protein.fasta):\n")
    try:
        fastafile = open(bsequence)
        break
    except:
        print("File not found!\n")            


record_iter = SeqIO.parse(fastafile,"fasta")
num = 0
for line in fastafile:
    if line.startswith(">"):
        num += 1

print("num=%i" % (num,))
if num > 400:
    print("The specified file contains %i sequences. It's recommended to split the FASTA file into batches of max. 400 sequences.\n" % (num,))
    while True:
        decision = input("Do you wish to create batch files? (Original file will not be overwritten)\n(Y/N):")
        if (decision == 'Y' or 'y'):
            for i, batch in enumerate(batch_iterator(record_iter, 400), 1):
                filename = "group_%i.fasta" % (i + 1)
                with open(filename, "w") as handle:
                    count = SeqIO.write(batch, handle, "fasta")
                print("Wrote %i records to %s" % (count, filename))
            break
        elif (decision == 'N' or 'n'):
            break
        else:
            print('Invalid input\n')

...next part of the code

当我运行这个程序时，在Y/N提示符之后，即使我键入Y，程序也会跳过代码的下一部分，而不创建任何新文件。调试器显示以下内容：

Do you wish to create batch files? (Original file will not be overwritten)
(Y/N):Y
Traceback (most recent call last):
  File "\Biopython\mainscript.py", line 32, in batch_iterator
    entry = next(iterator)
StopIteration

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "C:\Program Files (x86)\Thonny\lib\site-packages\thonny\backend.py", line 1569, in _trace
    return self._trace_and_catch(frame, event, arg)

  File "C:\Program Files (x86)\Thonny\lib\site-packages\thonny\backend.py", line 1611, in _trace_and_catch
    frame.f_back, event, marker_function_args, node

  File "C:\Program Files (x86)\Thonny\lib\site-packages\thonny\backend.py", line 1656, in _handle_progress_event
    self._save_current_state(frame, event, args, node)

  File "C:\Program Files (x86)\Thonny\lib\site-packages\thonny\backend.py", line 1738, in _save_current_state
    exception_info = self._export_exception_info()

  File "C:\Program Files (x86)\Thonny\lib\site-packages\thonny\backend.py", line 1371, in _export_exception_info
    "affected_frame_ids": exc[1]._affected_frame_ids_,

AttributeError: 'StopIteration' object has no attribute '_affected_frame_ids_'

python2之间有什么区别吗。x和3。我正在俯瞰的x？问题出在别的地方了吗？这种做法完全错误吗？提前谢谢！

Answer 1

我不能检查你的整个代码，因为你已经省略了它的一部分，但是我可以在这里看到两个错误的东西：

num = 0
for line in fastafile:
    if line.startswith(">"):
        num += 1

这些行正在耗尽您的文件对象快速文件。完全删除这些行（并记住修复下面的缩进，删除if num

if (decision == 'Y' or 'y'):

这和你想象的不一样。将其更改为if decision in（'Y'，'Y'）：或if decision。lower（）=='y'：。在下面的if（decision=='N'或'N'）：行中重复此模式，因此也要更改此模式。

进行更改并尝试再次运行代码。

第一个问题：在Python中，文件对象（即open（'filename.txt'，'r'）返回的内容）是一个生成器，这意味着它只能迭代一次。一开始这可能有点奇怪，但这就是使用发电机的全部意义所在。作为文件对象的生成器允许文件逐行循环，而不必一次加载整个文件内容-生成器只跟踪下一行。

另一方面，它们不能倒退，所以当您在快速文件块中为行编写时，您会耗尽生成器。当您稍后尝试调用batch_iterator（record_iter，400）时，record_iter中的生成器已经耗尽，这就是为什么您稍后会遇到错误-如果没有任何剩余，batch_iterator无法解析快速序列解析。

第二个问题：对于带有布尔运算符的条件，如if（决定=='Y'或'y'）：，Python将始终单独评估双方。所以Python实际上看到if（bool（决定=='Y'）或bool（'y'））：。

由于bool（'y'）的计算结果为True（就像任何非空字符串一样），因此表达式将变为if（bool（decision='y'）或True）：，这显然总是真的。

使用我建议的方法之一，将一个变量与条件中的多个值进行比较。