Python中的正则表达式_info.split(

Python对序列的一系列操作

处理字符串

例如提取序列编名，并改变，字符串解析

s1 = '>gi|2765656|emb|Z78531.1|CFZ78531 C.fasciculatum 5.8S rRNA gene and ITS1 and ITS2 DNA'
1

字符串分离 目的将Z78531.1与C.fasciculatum 提取出来

info1 = s1.split(' ')        #把字符串分割为列表
species = info1[1]       #抓取元素
info2 = info1[0].split('|')  #将抓取的元素再以竖线分隔
gene_id = info2[3]         #抓取元素

print(species)         #打印
print(gene_id)
1
2
3
4
5
6
7

字符串分割符只能指定一个比较麻烦

正则表达式

import re  #导入Python re模块
1

应用一：字符串分隔

s1= '>gi|2765656|emb|Z78531.1|CFZ78531 C.fasciculatum 5.8S rRNA gene and ITS1 and ITS2 DNA'
re.split('\s|\|',s1)       #将s1以空格或者竖线分隔
info = re.split('\s|\|',s1) 
gene_id = info[3]
species = info[5]
1
2
3
4
5

应用二：替换

p = '187-3276-8989'       #数据统一化
re.sub('-|\s','',p)              #替换
re.sub('\D','',p)               #\D非数字
1
2
3

应用三：效验

s = 'www.genek.cn'

re.search('w{3}.\w+.(com|cn|tv|org)',s)             # 有返回即是正确的

m=re.search('w{3}.\w+.(com|cn|tv|org)',s)

if m:                                                                  #条件判断打印
  print('it is match!')
else:
  print('It is not match')
  
m.start()                 #匹配起始
m.end()                  #匹配末端位置
m.span()                #匹配起始与末端位置
m.group()               #匹配元素
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

应用四 ：捕获

s1 = '>gi|2765656|emb|Z78531.1|CFZ78531 C.fasciculatum 5.8S rRNA gene and ITS1 and ITS2 DNA'
s2 = '>gi|2765658|emb|Z78533.1|CIZ78533 C.irapeanum 5.8S rRNA gene and ITS1 and ITS2 DNA'
s3 = '>gi|2765657|emb|Z78532.1|CCZ78532 C.californicum 5.8S rRNA gene and ITS1 and ITS2 DNA'

re.search('>gi\|\d+\|emb\|\S+\|\S+\s+\S+\s',s1)                      #通过自己需求来分隔有规律的元素
m1 = re.search('>gi\|\d+\|emb\|(\S+)\|\S+\s+(\S+)\s',s1)       #其中括号很妙，用括号分组
m1.group()
gene_id = m1.group(1)
species = m1.group(2)

print(gene_id,species)
1
2
3
4
5
6
7
8
9
10
11

应用五 ：查找

s = '''CGTAACAAGGTTTCCGTAGGTGAACCTGCGGAAGGATCATTGATGAGACCGTGGAATAAACGATCGAGTG
AATCCGGAGGACCGGTGTACTCAGCTCACCGGGGGCATTGCTCCCGTGGTGACCCTGATTTGTTGTTGGG
GTGACCCCAGGTCAGGCGGGGGCACCCGCTGAGTTTACGC'''   #长序列一般都要用三引号

m = re.search('C[ATC]G',s)
m.group()   #只能查找一个

re.finditer('C[ATC]G',s)          #此函数能全部查找出来，然后用for循环打印出来。

for m in re.finditer('C[ATC]G',s):
  print(m.span(),m.group())
1
2
3
4
5
6
7
8
9
10
11

格式化字符串

n = 7
total_len = 123789
mean_len = 123.456789
gc_content = 0.45
longest_id ='chr3'
longest_len = 345
1
2
3
4
5
6

逗号分隔

print('序列条数:',n)
1

字符串连接

print('序列条数:' +str(n))
1

格式化字符串

print('序列条数:{}'.format(n))
print('平均长度:{:.2f}'.format(mean_len))
print('GC含量: {:.2%}'.format(gc_content))
print('最长染色体:{: s},它的长度为 {:d}'.format(longest_id,longest_len))
1
2
3
4

对字符串进行格式化

print('{:10s}:{:10d}'.format('序列条数',n))
print('{:10s}:{:10.2f}'.format('平均长度',mean_len))
print('{:10s}:{:10.2%}'.format('GC含量',gc_content))
print('{0:10s}:{2:>10s}:{1:10s}:{3:10d}'.format('最长染色体','它的长度为',longest_id,longest_len))
1
2
3
4

#字符串默认左对齐，数字默认右对齐。{2:>10s}大于号右对齐

完整写法 {位置: 填充方式 对齐方式 字符宽度 小数位数 数据类型}

字符串格式化的三种方法

%
format
Fstring

常用格式

小结 2022.9.3 星期六

周末自己也有点小乏，没有之前那么有精神，不过能保持写作就是很棒的，早上列了一大堆任务到头来也只完成了两三件，事情的完成效率还是有点低喔，跑了四百个样的pcr,然后再把四百分样，跑琼脂糖，看着挺简单的活也给我整了三四个小时，笑哭