前言：Hello，各位老铁，经过上一个帖子《生物信息学中必须掌握的拍照技巧》一文，相信大家对我应该有所了解，本人本着蹭流量，蹭热度，不负责的态度，又来无耻地骗取大家的流量了~(当你点开这篇文章的时候，本文阅览量又+1)。
事先声明，本文属于小白向的文章，各位编程已经熟练的大佬们可以点返回键退出本文了~
正文：
当我们日常在跑流程的时候，我们经常会遇到软件输入文件格式与手头上的文件格式不符，面对着少则几千，多着几万(单个文件)的序列信息，顿觉无泪，又不能愉快的玩耍了。
这个时候，我们就必须请出我们有力的生产工具----Python字典，对那几千几万条信息进行整理。
对于不明白Python字典的童鞋，我们可以在这里复习一下，字典是个什么东西？
字典(Dictionary)在Python中是一种可变的容器模型，它是通过一组键(key)值(value)对组成，这种结构类型通常也被称为映射，或者叫关联数组，也有叫哈希表的。每个key-value之间用“:”隔开，每组用“,”分割，整个字典用“{}”括起来，用看得懂的代码表示就像下面这样：
dict_1 = { ‘隔壁老侯’: ‘帅哥’, ’契卡’ :’催稿狂’, ’小孟孟’ :’天然萌’ }#直接创建
又或者是这样：
items=[(’隔壁老侯’ , ‘帅哥’), (’契卡’, ‘催稿狂’),( ’小孟孟’, ‘天然萌’)]
dict_2 = dict(items)#利用dict创建
再或者是这样：
dict3 = dict(’隔壁老侯’ = ‘帅哥’, ’契卡’ = ‘催稿狂’, ’小孟孟’ = ‘天然萌’)#另一种dict创建方法
怎么去理解这堆东西呢？
其实很简单，映射，就像我们小学语文的一对一连线题，一个key对应一个value，就像提到隔壁老侯，我们会不由自主的想起他是一个帅哥，而想到契卡，我们会想到他在群里每天催稿，而提起孟大哥，我们总是情不自禁的想到他卖萌的瞬间，像北大浩巍，在线发嗲之类的经典片段。这么说应该会比较理解了吧~
接下来我们来看看字典的几大常规操作，
福斯特汪~(来自单身狗的咆哮~)，怎么输出字典里的值，很简单，把key输出来就是了，怎么理解，再拿上面的字典来解释，这个时候，我们添加入一个情景，大家跟着我一起来进入语文大课堂：
语文课上，老师提问：“隔壁老侯是怎么样的人啊~？”
学生回答：“帅哥~~~~”
就是这么简单明了，具体是怎么样的骚操作呢，如下所示：
dict_1 = { ‘隔壁老侯’: ‘帅哥’, ’契卡’ :’催稿狂’, ’小孟孟’ :’天然萌’ }
Print(‘隔壁老侯是一个’,dict[‘隔壁老侯’])#就相当于在字典dict1里面提取“隔壁老侯”的索引(此时学生的脑子里飘过一个帅哥的形象)
然后在解释器里面就出现下面的字眼：
隔壁老侯是一个帅哥
接着，我们来谈一下字典的增减元素，这个就像班里转来一名同学或者转走一名同学，究竟怎么操作，具体如下：
dict_1 = { ‘隔壁老侯’: ‘帅哥’, ’契卡’ :’催稿狂’, ’小孟孟’ :’天然萌’ }
dict1[‘二货潜’] = ‘搬运小王子’
此时如果我们print一下dict1，那么就会得到如下所示的效果：
dict_1 = { ‘隔壁老侯’: ‘帅哥’, ’契卡’ :’催稿狂’, ’小孟孟’ :’天然萌’, ‘二货潜’=’搬运小王子’ }
有时候我们发现自己添加的东西错了，然后要修改一下，就像我们发现孟大哥的才华已经把他天然萌的属性给遮盖了，这个时候，我们就需要对字典进行修改，
dict1[‘小孟孟’] = ‘大神’
这个时候，我们再print一下字典，就会发现之前要修改的东西已经修改了，
dict_1 = { ‘隔壁老侯’: ‘帅哥’, ’契卡’ :’催稿狂’, ’小孟孟’ :’大神’, ‘二货潜’=’搬运小王子’ }
然后我们又发现，隔壁老侯除了帅就一无是处了，他不能跟这些人在同一个字典里面，我们要把这种金玉其外败絮其中的禽兽剔除掉，这个时候我们就需要删除字典里面的元素，具体操作如下：
del dict1[‘隔壁老侯’]
然后我们再print一下，就会发现这个衣冠禽兽不见了
dict_1 = { ’契卡’ :’催稿狂’, ’小孟孟’ :’大神’, ‘二货潜’=’搬运小王子’ }
然后，这几个人在毕业以后全部成功跳坑成功，不再是一头可怜的生物狗，亦或者生信猿，这个时候，我们的字典里面就没什么东西了，操作如下
dict1.clear()
如果再print这个字典，我们会发现we have anything(你个穷*)~，
那么一个空的字典还有什么用，删了删了，留着占内存，
del dict1
如果我们再print，我们会发现它已经消失了~
下面还有一些常用的用法，你们就看看吧，偶尔会用得上：
items()#获取字典键值对数据，以列表形式返回；
keys()#获取字典键的数据，以列表形式返回；
values()#获取字典值的数据，以列表形式返回；
复习完基础知识，那么我们就进入今天的主体吧，如何利用字典进行文件处理
事情是这样的，最近我在做物种亲缘鉴定的时候用到了blat(不是blast，究竟是什么可以自行百度一下)，得到的结果图如下。
而我要从这张表里面提取信息，就是我圈出来的地方，
首先就是q-name，是我blat比对时作为sample的序列的unigene的序列名，由于一条序列可能比对上多条reference上面的序列，所以只能根据其他提供的信息进行过滤，得到最佳的序列，
其次就是t-name，是blat时作为reference的unigene的序列名，
接着就是match跟mis-match，数值都代表着碱基数，
另一个重要的参数blockcount则是根据它们mapping的时候出现的gap数量得到的一个值，blockcount为1表示没有gap的情况，随着gap增加blockcount的数值会增大。
基本信息就如下，那么接下来就是我们的伪代码阶段，理清一下我们需要怎么写代码：
首先，我们知道q-name可能出现相同重复的序列，而我们要得到唯一的，那么最好是建立一个一对一的映射，然后在出现相同的序列名时进行判断即可，那么此时，我们是的初步代码可以这么写：
import sys#导进sys库
x = sys.argv[1]#选择传入第二个参数(0是第一个，故而1是第二个)，即我们在运行代码的时候在命令行里面这样写 python 脚本.py(第一个参数) 输入文件(第二个参数)> 结果
file = open(x, 'r')#以可读的形式读取传入参数所代表的文件
lines = file.read()#以read()的形式读入
dic = {}#创建一个空字典
keys = []#创建一个list存储key，方便后面判断的时候使用
for line in lines.split('\n'):#将读进来的东西以换行符为分割，此时效果相当于readlines，只不过一次性读入内存
if q-name第一次出现：
q-name作为key，然后其他的作为value写入
出现的q-name也写入keys里面，方便以后判断用
if q-name再次出现：
if 是更加合适的序列：
更新value的内容(不是更合适的就不更新，就不用写了)
print 结果
接着出现在我们面前的一个问题就是，这个更加合适的序列要怎么判断？
首先，blockcount为1代表着没有出现gap，一条序列如果能完美契合上去，证明是完全一致的；如果gap多的话，那mis-match肯定也随着增多，而整条序列的长度如果特别长，那出现几个mis-match显然对blockcount的影响会比较小，而长度较短，则影响大一些，match跟mis-match的优先级显然低一些，所以优先判断blockcount，然后再判断match跟mis-match。
接着，blockcount要怎么判断，由表我们可以知道(虽然我在前面也说了，但不妨仔细观察一下)，然后gap跟mis-match的数量增多，那blockcount的数值就会增大，而1代表着完美的匹配，那么我们就知道，优先级肯定是由小到大，如果出现了1，那其他数值就不用看了。
然后的话就是match跟mis-match，它们代表着碱基数量的多少，当blockcount相同时，那还就需要match跟mis-match来辅助判断，很明显是碱基数越多的两条序列会更接近一些，所以match跟mis-match的总数大的优先级高一些。
好了，基本的判断就算完了，接着，我们跟着这个思路，把伪代码写出来吧
import sys
x = sys.argv[1]
file = open(x, 'r')
lines = file.read()
dic = {}
keys = []
for line in lines.split('\n'):
if q-name第一次出现：
q-name作为key，然后其他的作为value写入
出现的q-name也写入keys里面，方便以后判断用
if q-name再次出现：
if blockcount比之前的小：
更新value的内容
elif blockcount跟之前的一样：
if match跟mis-match的总和比较大：
更新value的内容
print 结果
基本这样，我们的伪代码就算完成了，接着是如何把他转换为可以执行的python代码，我们还是来看一下这张图：
首先，我们数一下我们需要提取的东西的位置，可以看到match在第一位，在代码里面我们在怎么实现，
记得我们前面只是将整个文件读进来，然后分割成一行一行的，那么我们现在要做的就是把一行里面分割成数个模块，整一行其实是以tab键进行分割的(不信的可以用UE打开看看)，所以我们对整一行进行分割就要以tab键进行分割，即：
line.split('\t')
这样我们就把一行以tab键分割成了n段，至于有多少呢，数数tab键吧，一行有21个，而我们所需要的分别是0,1,9,13,17，其中的9作为字典的key，而其余都写入value，看到这里，可能有些童鞋懵逼了，怎么写？？？
回想一下，我们刚刚的基础知识
dict[key]=value
而我们现在其实就是
dict[q-name]=t-name+match+mis-match+blockcount,
而在代码里面怎么实现，接着看就知道了，
我们上面将一行分割为n列，为了方便我们后面写，一般的话，我们可以在分割的时候，令某个变量= line.split('\t')，这里的话，我习惯用strings，即写成这样：
strings=line.split(‘\t’)
而对应的q-name就可以写成strings[9]#即strings这里面，以tab键分割的第十个元素，而其他的也可以依次写出来，即t-name为strings[13],match为strings[0]等等。
接着，我们把代码块完善一下吧，
import sys
x = sys.argv[1]
file = open(x, 'r')
lines = file.read()
dic = {}
keys = []
for line in lines.split('\n'):
strings = line.split(‘\t’)
if strings[9] not in keys：#strings[9]即q-name第一次出现
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
keys.append(strings[9])
if strings[9] in keys：
if strings[17] < int(dic[strings[9]]).split(‘>’)[3]：#将dic[strings[9]]对应的value以>>分割，然后将第四个元素(注意观察前面的字典的value里面blockcount位于第四)转化为整数型跟新出现的blockcount比较
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
elif strings[17] = int(dic[strings[9]]).split(‘>’)[3]：
if int(strings[0]) + int[strings[1]]> int(dic[strings[9]]).split[1] + int(strings[9]).split[2]：
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
print 结果
好了，基本整个代码的核心框架就算完成，接着来抠一下细节，首先的话，先判断结构就写得不够简洁，可以把第一次出现的写成else，这样更加整洁舒服一些，
import sys
x = sys.argv[1]
file = open(x, 'r')
lines = file.read()
dic = {}
keys = []
for line in lines.split('\n'):
strings = line.split(‘\t’)
if strings[9] in keys：
if strings[17] < int(dic[strings[9]]).split(‘>’)[3]:
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
elif strings[17] = int(dic[strings[9]]).split(‘>’)[3]：
if int(strings[0]) + int[strings[1]]> int(dic[strings[9]]).split[1] + int(strings[9]).split[2]：
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
else:
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
keys.append(strings[9])
接下来，我们就可以考虑一些打印出来的效果会怎么样，如果直接打印的话，那就会出现{‘key’:’value’,’key’:’value’}这样，那么我们就需要观察，然后把这些杂七杂八的符号给替换掉，最后的代码放给大家，大家可以在理解的基础上，找一些诸如blast的结果表格的练习一下，最后的代码如下(请需要练习的各位一个字一个字的打出来，代码要自己熟练了才有用，不然全是别人的)：
import sys
x = sys.argv[1]
file = open(x, 'r')
lines = file.read()
dic = {}
keys = []
for line in lines.split('\n'):
if "TRINITY" in line:#如果不判断的话，会提示index out of range，因为文件的每一行分割并不是一样的
strings = line.split(‘\t’)
if strings[9] in keys：
if strings[17] < int(dic[strings[9]]).split(‘>’)[3]:
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
elif strings[17] = int(dic[strings[9]]).split(‘>’)[3]：
if int(strings[0]) + int[strings[1]]> int(dic[strings[9]]).split[1] + int(strings[9]).split[2]：
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
else:
dic[strings[9]] = strings[13] + ‘>’ +strings[0] + ‘>’ + strings[1] + ‘>’ + strings[17]
keys.append(strings[9])
rlt = str(dic)
rlt = rlt.replace("{'", '')
rlt = rlt.replace("': '", "\t")
rlt = rlt.replace(">", "\t")#如果你在前面字典的分隔符就用\t，等你最后出来的结果\t不会变成tab键，而还是\t的分隔符，故而在字典里面推荐使用其他分隔符，方便后面转换
rlt = rlt.replace("', '", "\n")
rlt = rlt.replace("'}","\n").rstrip()
print("Qname" + "\t" + "Tname" + "\t" + "match" + "\t" + "mis-match" +"\t" + "blockSizes")
print(rlt)直接在字典里面使用\t作为分割
如果替换完成，最后的结果会比较整洁，像这样：此处后面添加的identify是match占总碱基的比例，各位可以试着写一下
后记：其实使用字典对这些多条件的文件进行过滤的效率并不好，特别是if语句的使用会更加慢，如果对pandas比较熟悉的话，用pandas写会比较有效率，我也要努力学习pandas，争取早日写一篇关于pandas在我们生信日常使用中的应用~就这样啦，我们下回再见~
提取码：ow32
2229
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
