如何编写文件的特定行长度

Question

我有这样的序列(超过9000):

>TsM_000224500 
MTTKWPQTTVTVATLSWGMLRLSMPKVQTTYKVTQSRGPLLAPGICDSWSRCLVLRVYVDRRRPGGDGSLGRVAVTVVETGCFGSAASFSMWVFGLAFVVTIEEQLL
>TsM_000534500 
MHSHIVTVFVALLLTTAVVYAHIGMHGEGCTTLQCQRHAFMMKEREKLNEMQLELMEMLMDIQTMNEQEAYYAGLHGAGMQQPLPMPIQ
>TsM_000355900 
MESGEENEYPMSCNIEEEEDIKFEPENGKVAEHESGEKKESIFVKHDDAKWVGIGFAIGTAVAPAVLSGISSAAVQGIRQPIQAGRNNGETTEDLENLINSVEDDL

包含">"的行是ID，带字母的行是氨基酸(aa)序列。我需要删除(或移动到另一个文件)的序列低于40 aa和超过4000 aa。然后，生成的文件应该只包含这个范围内的序列(>= 40aa和<= 4K aa)。

我试着写了下面的脚本:

def read_seq(file_name):
    with open(file_name) as file:
        return file.read().split('n')[0:]
ts = read_seq("/home/tiago/t_solium/ts_phtm0less.txt")
tsf = open("/home/tiago/t_solium/ts_secp-404k", 'w')
for x in range(len(ts)):
    if ([x][0:1] != '>'):
        if (len([x]) > 40 or len([x]) < 4000):
            tsf.write('%sn'%(x))
tsf.close()
print "OK!"

我已经做了一些修改，但我得到的都是空文件或所有的+9000序列。

Answer 1

在for循环中，由于使用range()(即0,1,2,3,4...)， x是一个迭代整数。试试这个:

for x in ts:

这将给你ts中的每个元素作为x

同样，你不需要在x周围加上括号;Python可以自己遍历字符串中的字符。当你在字符串周围加上括号时，你将它放入一个列表中，因此，如果你尝试，例如，获取x: [x][1]中的第二个字符，Python将尝试获取x所在列表中的第二个元素，并且会遇到问题。

编辑:要包含id，请尝试:

注意:我还将if (len(x) > 40 or len(x) < 4000)更改为if (len(x) > 40 and len(x) < 4000) -使用and而不是or会给你你正在寻找的结果。

for i, x in enumerate(ts): #NEW: enumerate ts to get the index of every iteration (stored as i)
    if (x[0] != '>'):
        if (len(x) > 40 and len(x) < 4000):
            tsf.write('%sn'%(ts[i-1])) #NEW: write the ID number found on preceding line
            tsf.write('%sn'%(x))

Answer 2

试试这个，简单易懂。它不会将整个文件加载到内存中，而是逐行迭代文件。

tsf=open('output.txt','w') # open the output file
with open("yourfile",'r') as ts: # open the input file
    for line in ts: # iterate over each line of input file
        line=line.strip() # removes all whitespace at the start and end, including spaces, tabs, newlines and carriage returns.
        if line[0]=='>': # if line is an ID 
            continue # move to the next line
        else: # otherwise
            if (len(line)>40) or (len(line)<4000): # if line is in required length
                tsf.write('%sn'%line) # write to output file
tsf.close() # done
print "OK!"

仅供参考，如果在unix环境中工作，您也可以使用awk作为一行解决方案:

cat yourinputfile.txt | grep -v '>' | awk 'length($0)>=40' | awk 'length($0)<=4000' > youroutputfile.txt