Блог

У меня есть следующий текстовый файл (приведен только фрагмент)

      ## DISTANCE : Shortest distance from variant to transcript
## a lot of comments here
    ## STRAND : Strand of the feature (1/-1)
    ## FLAGS : Transcript quality flags
    #Uploaded_variation     Location        Allele  Gene    Feature Feature_type    Consequence     cDNA_position   CDS_position    Protein_position        Amino_acids     Codons  Existing_variation      Extra
    chr1_69270_A/G  chr1:69270      G       ENSG00000186092 ENST00000335137 Transcript      upstream_gene_variant      216     180     60      S       tcA/tcG -       IMPACT=LOW;STRAND=1
    chr1_69270_A/G  chr1:69270      G       ENSG00000186092 ENST00000641515 Transcript      intron_variant      303     243     81      S       tcA/tcG -       IMPACT=LOW;STRAND=1
    chr1_69511_A/G  chr1:69511      G       ENSG00000186092 ENST00000335137 Transcript      upstream_gene_variant        457     421     141     T/A     Aca/Gca -       IMPACT=MODERATE;STRAND=1
 

со многими неизвестными различными номерами ENSG, такими как ENSG00000187583 и т. Д. Количество целых чисел в каждой строке ENSG равно 11.

Я должен посчитать, сколько intron_variant и upstream_gene_variant содержит каждый ген (ENSGxxx). и выведите его в csv-файл.

Для этой цели я использую словарь. я пытался написать этот код, но не был уверен в правильном синтаксисе. Логика должна быть такой: если этих 11 чисел нет в словаре, оно должно быть добавлено со значением 1. Если они уже есть в словаре, значение следует изменить на x 1. В настоящее время у меня есть этот код, но я на самом деле не программист на Python и не уверен в правильном синтаксисе.

     with open(file, 'rt') as f:
        data = f.readlines()
        Count = 0
        d = {}
        for line in data:
            if line[0] == "#":
                output.write(line)
            if line.__contains__('ENSG'): 
                d[line.split('ENSG')[1][0:11]]=1
                if 1 in d:
                    d=1
                else:
                    Count  = 1
 

Есть какие-нибудь предложения?

Спасибо!

Можете ли вы попробовать это:

 from collections import Counter

with open('data.txt') as fp:
    ensg = []
    for line in fp:
        idx = line.find('ENSG')
        if not line.startswith('#') and idx != -1:
            ensg.append(line[idx 4:idx 15])
count = Counter(ensg)
 

 >>> count
Counter({'00000187961': 2, '00000187583': 2})
 

Обновить

Мне нужно знать, сколько ENG содержат «intron_variant» и «upstream_gene_variant»

Используйте регулярное выражение для извлечения нужных шаблонов:

 from collections import Counter
import re

PAT_ENSG = r'ENSG(?P<ensg>d{11})'
PAT_VARIANT = r'(?P<variant>intron_variant|upstream_gene_variant)'

PATTERN = re.compile(fr'{PAT_ENSG}.*b{PAT_VARIANT}b')

with open('data.txt') as fp:
    ensg = []
    for line in fp:
        sre = PATTERN.search(line)
        if not line.startswith('#') and sre:
            ensg.append(sre.groups())
    count = Counter(ensg)
 

Выход:

 >>> count
Counter({('00000186092', 'upstream_gene_variant'): 2,
         ('00000186092', 'intron_variant'): 1})
 

Вот еще одна интерпретация вашего требования:-

Я изменил ваши примерные данные таким образом, чтобы первое значение ENG было ENSG00000187971, чтобы подчеркнуть, как это работает.

 D = {}

with open('eng.txt') as eng:
    for line in eng:
        if not line.startswith('#'):
            t = line.split()
            V = t[6]
            E = t[3]
            if not V in D:
                D[V] = {}
            if not E in D[V]:
                D[V][E] = 1
            else:
                D[V][E]  = 1
print(D)
 

Результатом этого является:-

{‘интрон_вариант’: {‘ENSG00000187971’: 1, ‘ENSG00000187961’: 1}, ‘восходящий поток_гене_вариант’: {‘ENSG00000187583’: 2}}

Итак, теперь у вас есть словарь с ключом по вариантам. Каждый вариант имеет свой собственный словарь, помеченный значениями ENSG, и количество вхождений каждого значения ENSG