Python在生物信息学中的应用：同时对数据做转换和换算

我们需要调用一个换算（reduction）函数，例如 sum()、min()、max()等，但首先得对数据做转换或筛选。

解决方案

一种优雅的方式能将数据换算和转换结合在一起，即在函数中使用生成器表达式。例如，要计算平方和，可以这样：

nums = [1, 2, 3, 4, 5]
s = sum(x * x for x in nums)

更多的例子：

# Determine if any .py files exist in a directory
import os
files = os.listdir('dirname')
if any(name.endswith('.py') for name in files):
    print('There be python!')
else:
    print('Sorry, no python.')
# Output a tuple as CSV
s = ('ACME', 50, 123.45)
print(','.join(str(x) for x in s))
# Data reduction across fields of a data structure
portfolio = [
    {'name':'GOOG', 'shares': 50},
    {'name':'YHOO', 'shares': 75},
    {'name':'AOL', 'shares': 20},
    {'name':'SCOX', 'shares': 65}
]
min_shares = min(s['shares'] for s in portfolio)

讨论

上述解决方案展示了当把生成器表达式作为函数的单独参数时在语法上的一些微妙之处，即不必重复使用括号。比如，下面两行代码的功能是一样的：

s = sum((x * x for x in nums)) # 显式的传递一个生成器表达式对象
s = sum(x * x for x in nums) # 更加优雅的实现方式，省略了括号

相对于首先创建一个列表，使用生成器做参数通常更为高效和优雅。例如，如果不使用生成器表达式，可能会写出如下代码：

nums = [1, 2, 3, 4, 5]
s = sum([x * x for x in nums])

这种方式同样能工作，但这引入了额外的一个列表。对于小数据集无关紧要，但是数据集比较大时，可能生成庞大的临时结构。

基于生成器的解决方案可以以迭代的方式转换数据，因此其内存使用要高效得多。

当然，某些特定的换算函数比如 min() 和 max() 都可以接受一个 key 参数。例如在 portfolio 的例子中，可以使用下面的替代方案：

# Original: Returns 20
min_shares = min(s['shares'] for s in portfolio)
# Alternative: Returns {'name': 'AOL', 'shares': 20}
min_shares = min(portfolio, key=lambda s: s['shares'])

参考

• 《Python Cookbook》第三版

• http://python3-cookbook.readthedocs.org/zh_CN/latest/

关于简说基因

• 生信平台

  Galaxy中国（UseGalaxy.cn）致力于打造中国人的云上生物信息基础设施。大量在线工具免费使用。无需安装，用完即走。活跃的用户社区，随时交流使用心得。

• 生信培训

  简说基因的生信培训班，荣获学员的一致好评。如果你也对生物信息学感兴趣，欢迎来跟简说基因，学真生信。
  

• 生信分析

  我们能够承接所有 NGS 组学数据分析业务，包括但不限于 WGS / WES / RNA-seq 等。基因组组装、注释，以及各种重测序业务都可以与简说基因合作。