使用文件搜索另一个文件并打印与第一个文件匹配的模式的行

Question

Python noob在这里。我一直在努力尝试执行此操作，尝试了几种Unix工具，并且我坚信python是必经之路。

我有两个文件，File1具有这样的标题和数字：

>id1
77
>id2
2
>id3
2
>id4
22
...

请注意，身份证号码是唯一的，但分配给它的号码可能会重复。我有几个这样的文件，它们的标头数相同（〜500）。

文件2具有文件1的所有编号和附加序列

1
ATCGTCATA
2
ATCGTCGTA
...
22
CCCGTCGTA
...
77
ATCGTCATA
...

注意，序列号是唯一的，因为其后的所有序列都是唯一的。我的文件数量与File1相同，但是每个File2中的序列数可能会有所不同（〜150）。

我想要的输出是File1，它具有File2的顺序，重要的是File1保持原始顺序。

>id1
ATCGTCATA
>id2
ATCGTCGTA
>id3
ATCGTCGTA
>id4
CCCGTCGTA

我的方法是从File1中提取数字，并将其用作在File2中进行匹配的模式。首先，我试图仅使用一对文件来完成这项工作。这是我取得的成就：

#!/usr/bin/env python

import re

datafile = 'protein2683.fasta.txt.named'
schemaseqs = 'protein2683.fasta'

with open(datafile, 'r') as f:
    datafile_lines = set([line.strip() for line in f]) #maybe I could use regex to get only lines with number as pattern?
    print (datafile_lines)

outputlist = []

with open(schemaseqs, 'r') as f:
    for line in f:
        seqs = line.split(',')[0]
        if seqs[1:-1] in datafile_lines:
            outputlist.append(line)

    print (outputlist)

这将输出File1中的模式和File2中的序列的混合。任何帮助表示赞赏。

Ps：我愿意修改文件结构，我尝试在File2中将\ n替换为“，”，但无济于事。

Answer 1

import re

datafile = 'protein2683.fasta.txt.named'
schemaseqs = 'protein2683.fasta'
datafile_lines = []
d = {}
prev = None
with open(datafile, 'r') as f:
    i = 0
    for line in f:
        if i % 2 == 0:
            d[line.strip()]=0
            prev = line.strip()
        else:
            d[prev] = line.strip()
        i+=1

new_d = {}
with open(schemaseqs, 'r') as f:
    i=0
    prev = None
    for line in f:
        if i % 2 == 0:
            new_d[line.strip()]=0
            prev = line.strip()
        else:
            new_d[prev] = line.strip()
        i+=1

for key, value in d.items():
    if value in new_d:
        d[key] = new_d[value]

print(d)

with open(datafile,'w') as filee:
    for k,v in d.items():
        filee.writelines(k)
        filee.writelines('\n')
        filee.writelines(v)
        filee.writelines('\n')

创建两个字典很容易，然后映射两个字典值。

Answer 2

由于文件是如此整齐地组织，所​​以我不会使用集合来存储行。集合不强制执行顺序，这些行的顺序传达了很多信息。我也不会使用Regex；对于解析单个行而言，这可能是过大的了，但功能不足以跟踪哪个ID与每个基因序列相对应。

相反，我将以相反的顺序读取文件。首先，读取具有基因序列的文件，并建立ID与基因的映射。然后读入第一个文件，并用该映射中的相应值替换每个id。

如果ID是连续序列（1、2、3 ... n，n + 1），则列表可能是存储它们的最简单方法。如果文件已经整理好，您甚至不必注意ID号；您可以跳过每隔一行，并将每个基因序列依次添加到数组中。如果它们不是连续的，则可以使用ID为键的字典。在本示例中，我将使用字典方法：

id_to_gene_map = {}

with open(file2, 'r') as id_to_gene_file:
    for line_number, line in enumerate(id_to_gene_file, start=1):
        if line_number % 2 == 1:  # Update ID on odd numbered lines, including line 1
            current_id = line
        else:
            id_to_gene_map[current_id] = line  # Map previous line's ID to this line's value

with open(file1, 'r') as input_file, open('output.txt', 'w') as output_file:
    for line in input_file:
        if not line.startswith(">"):  # Keep ">id1" lines unchanged
            line = id_to_gene_map[line]  # Otherwise, replace with the corresponding gene
        output_file.write(line)    

在这种情况下，ID和值都带有尾随换行符。您可以删除它们，但是由于要重新添加它们以编写输出文件，因此最简单的方法是不理它们。