#! /usr/bin/env python
# -*- coding: cp936 -*-
from operator import itemgetter
# 测试基因字符串
s = open(r'gene.txt','r').read()
# 得到每个基因字符串
m = ['>'+x for x in s.split('>')[1:]]
# 生成 基因字符串:包含2个字符串数目之和 的字典
d = {}
for c in m:
        d[c] = c.upper().count('ATCG')+c.upper().count('GCTAT')
# 按照数目之和排序,从大到小,得到一个list of tuple
d = sorted(d.iteritems(), key=itemgetter(1), reverse=True)
# 构造结果字符串
ss = ''
for ge in d:
        # 基因ID
        refGene = ge[0][ge[0].index('_refGene_')+len('_refGene_'):ge[0].index('range')]
        # 所含字符串数目之和
        strNum = ge[1]
        # 碱基数目
        baseNum = sum([x.upper() in 'ATCG' and 1 or 0 for x in ge[0][ge[0].index('none')+len('none'):]])
        ss += refGene+'\t'+str(strNum)+'\t'+str(baseNum)+'\n'
# 输出结果到文件
f = open(r'data.txt','w')
f.write(ss)
f.close()
print 'Done'

NR_030165         2        2000
NM_052933         2        2000
NM_005989         0        2000
NM_001190906         0        2000

2楼: Originally posted by libralibra at 2012-12-05 21:05:29
字符串解析用脚本语言应该是最爽的,下面是个python脚本,基因字符串保存在gene.txt,跟这个.py文件放在同一个文件夹下,运行完后会生成data.txt,里面是基因id,字符串数目和碱基数目3列数据,用tab分割
这样的好处是直接 ...