python运算结果是fasls的代码_[转载]Python正则表达笔记（2）

Example7:用户支持的模式匹配行

这行代码主要是为了统计某个单词在文本文件中有多少个，代码如下：

import re, sys

myregex = re.compile(sys.argv[2])

counter = 0

fh = open(sys.argv[1])

for line in fh:

if myregex.search(line):

counter += 1

fh.closer()

print(counter)

代码解释如下：

第一，第2行代码：关于sys.argv[2]的用法，举1个小例子，在C盘的C:Users20161111目录下建立一个.py脚本，命名为test.py，输入下面的代码：

import sys

a = sys.argv[0]

print(a)

保存，快捷键Win+R，打开cmd，输入python

test.py，结果如下所示：

C:Users20161111>python test.py

test.py

由此可见，sys.argv[0]表示的就是test.py这个文件本身，现在将tetst.py代码中的sys.argv[0]更改为sys.argv[1],再次运行，输入python

test.py what，如下所示：

C:Users20161111>python test.py what

what

运行的结果变成了what，再次修改，将sys.argv[1]改为sys.argv[2:]，运行，输入python

test.py test0 what1 how3 apple4，如下所示：

C:Users20161111>python test.py test0 what1 how3 apple4

['what1', 'how3', 'apple4']

C:Users20161111>

得到的结果是：'what1', 'how3',

'apple4'。再倒回去想一下，sys.argv[0]表示的是test.py本身，sys.argv[1]表示的是输入的第1个参数，sys.argv[2:]表示的是第2个参数往后，这与切片的表示形式是一样的。

结论就是，sys.argv[

]其实就是一个列表，里边的项为用户输入的参数，关键就是要明白这参数是从程序外部输入的，而非代码本身的什么地方，要想看到它的效果就应该将程序保存了，从外部来运行程序并给出参数(参考资料：Python中

sys.argv[]的用法简明解释)。

第二，第4行代码，fh = open(sys.argv[1])表示的就是打开某个文件。

第三，现在运行一下这个脚本，将脚本保存到C盘的根目录下，命名为count_line.py，同时在同一个目录新建一个文本文件，输入以下文字：

line1

line2

line3

line4

将文件命名为line_test.txt，打开cmd，输入命令python

count_line.py

count_test,line，一共是2个参数(前面的python不算)，参数1是脚本名称，即count_line.py，参数2是文本文件，即count_test，参数3是要统计的文字，即line，运行结果如下所示：

C:Users20161111>python count_line.py line_test.txt line

4

可以发现，这个文本文件中有4个line这个单词。但是这个脚本有个缺陷，就是，如果一行中有两个line这个单词，它还是会统计为1个，如下所示，将文本文件更改为这样的：

line1

line2

line3

line4 line5

继续运行上述脚本，结果如下所示：

C:Users20161111>python count_line.py line_test.txt line

4

因此，需要对脚本进行更改，更改后的版本如下所示：

import re, sys

myregex = re.compile(sys.argv[2])

counter = 0

fh = open(sys.argv[1])

for line in fh:

counter += len(myregex.findall(line))

fh.close()

print(counter)

运行结果如下所示：

C:Users20161111>python count_line.py line_test.txt line

5

10.

在Python中，正则表达式的规则非常难记，有没有工具可以用来检测正则表达式的正确与否？

答：有个工具是Kodos，这个工具是用Python写成的，输入正则表达式，它能够在相应的输出框显示出正则表达式的结查，官网是：http://kodos.sourceforge.net/，软件是在WIndows下运行的，打开后界面如下所示：

11.

如何通过正则表达式替换一些字符串？

答：如果要实现这个目的，需要用到re.sub()方法，sub就是substitution的简写，它的用法是sub(rpl,str[,count=0])

具体参数的含义如下所示：

rpl：原始的字符串；

str，需要替换原始字符串的字符串。

[,count=0]，可选参数，表示替换的最大次数，默认是0，表示替换所有匹配。

re.sub的使用非常类似于replace方法，参见下面的案例，代码如下所示：

这个案例展示的是：删除GC重复(该行有超过3个GC)，代码解释参见注释

import re

regex = re.compile("(?:GC){3,}") # 匹配至少3个GC结边的字符串

seq = "ATGATCGTACTGCGCGCTTCATGTGATGCGCGCGCGCAGACTATAAG"

print("Before:", seq)

print("After:", regex.sub("",seq))

结果如下所示：

C:Users20161111>python test.py

Before: ATGATCGTACTGCGCGCTTCATGTGATGCGCGCGCGCAGACTATAAG

After: ATGATCGTACTTTCATGTGATAGACTATAAG

第二个方法：subn(rpl,str[,count=0])也能实现re.sub的功能。

不同之处在于，subn会返回替换后的字符串和替换的次数，将上述代码用subn演示，就如下所示：

import re

regex = re.compile("(?:GC){3,}") # 匹配至少3个GC结边的字符串

seq = "ATGATCGTACTGCGCGCTTCATGTGATGCGCGCGCGCAGACTATAAG"

print("Before:", seq)

print("After:", regex.subn("",seq))

结果如下所示：

C:Users20161111>python test.py

Before: ATGATCGTACTGCGCGCTTCATGTGATGCGCGCGCGCAGACTATAAG

After: ('ATGATCGTACTTTCATGTGATAGACTATAAG', 2)

12.

正则表达式在生物信息学方面有什么用处？

答：正则表达式可以用于搜索PROSITE(这是一个蛋白质拉点和序列模式数据库)，这个数据库的信息模式就是序列与描述序列的字符串。例如下面的这段字符串：

K-[KR]-C-G-H-[LMQR]，这段字符串表示的是异柠檬酸酶的活性位点。具体的每个字母含义如下：

位于第1个位置的是K，位于第2个位置提是K或R，随后是CGH，最后是一段氨基酸序列，即L，M，Q或R。如果要在这个序列中搜索，必须要把PROSITE的格式转化为符合Python正则表达式的表示方式，就像这样K[KR]CGH[LMQR]。

为了将PROSITE转化为REGEX的基本格式，这个过程中包括移除连接符(“-”)，将括号之间的数字替换为大括号之间的数字，并将“x”替换为点号，接着看一个腺苷酸环化酶相关蛋白2(

adenylyl cyclase associated protein 2)的例子。

此蛋白在PROSITE中的版本如下：

[LIVM](2)-x-R-L-[DE]-x(4)-R-L-E，这种序列是一致性模式(Consensus

pattern)。

其中，L是亮氨酸，I是异亮氨酸，V是缬氨酸，M是甲硫氨酸，x代表任意氨基酸，R是精氨酸，D是天冬氨酸，E是谷氨酸。

REGEX(正则表达式)版本如下：

[LIVM]{2}.RL[DE].{4}RLE

Example8：在FASTA格式中搜索蛋白质的模式

现在假设我们要在一个FASTA格式的文件中寻找这个模式。除了要找到这个模式外，我们有可能还需要在上下文中检索它的位置，即位于在这个模式之前与之后的10个氨基酸序列(代码中用小写字母表示)，下面是一个Fasta格式的文件：

>Q5R5X8|CAP2_PONPY CAP 2 - Pongo pygmaeus (Orangutan).

MANMQGLVERLERAVSRLESLSAESHRPPGNCGEVNGVIGGVAPSVEAFDKLMDSMVAEFLKNSRILAGDVETHAEMVHSAFQAQRAFLLMASQYQQPHENDVAALLKPISEKIQEIQTFRERNRGSNMFNHLSAVSESIPALGWIAVSPKPGPYVKEMNDAATFYTNRVLKDYKHSDLRHVDWVKSYLNIWSELQAYIKEHHTTGLTWSKTGPVASTVSAFSVLSSGPGLPPPPPPPPPPGPPPLLENEGKKEESSPSRSALFAQLNQGEAITKGLRHVTDDQKTYKNPSLRAQGGQTRSPTKSHTPSPTSPKSYPSQKHAPVLELEGKKWRVEYQEDRNDLVISETELKQVAYIFKCEKSTLQIKGKVNSIIIDNCKKLGLVFDNVVGIVEVINSQDIQIQVMGRVPTISINKTEGCHIYLSEDALDCEIVSAKSSEMNILIPQDGDYREFPIPEQFKTAWDGSKLITEPAEIMA

下面的代码实现的就是这个功能，即在1个FASTA文件中寻找这个模式，代码如下：

import re

pattern = "[LIVM]{2}.RL[DE].{4}RLE"

fh = open('D:/prot.fas')

fh.readline()

seq = ""

for line in fh:

seq += line.strip()

rgx = re.compile(pattern)

result = rgx.search(seq)

patternfound = result.group()

span = result.span()

leftpos = span[0]-10

if leftpos < 0:

leftpos = 0

print(seq[leftpos:span[0]].lower() + patternfound + seq[span[1]:span[1]+10].lower())

fh.close()

运行代码如下所示：

C:Users20161111>python test.py

manmqgLVERLERAVSRLEslsaeshrpp

Example9：

清洗序列

正则表达式在清除序列方面更加常用，需要清理的序列通常是一些非标准的序列，就像下面的这样：

1 ATGACCATGA TTACGCCAAG CTCTAATACG ACTCACTATA GGGAAAGCTT GCATGCCTGC

61 AGGTCGACTC TAGAGGATCT ACTAGTCATA TGGATATCGG ATCCCCGGGT ACCGAGCTCG

121 AATTCACTGG CCGTCGTTTT

这个序列里面有空格，有数字，这些都不是我们所需要的，需要把它们的清除掉，清除序列的代码如下所示：

import re

regex = re.compile(' |d|n|t') # 有一个空格

seq = ''

for line in open('D:/pMOSBlue.txt'):

seq += regex.sub('',line)

print(seq)

结果如下所示：

C:Users20161111>python test.py

ATGACCATGATTACGCCAAGCTCTAATACGACTCACTATAGGGAAAGCTTGCATGCCTGCAGGTCGACTCTAGAGGATCTACTAGTCATATGGATATCGGATCCCCGGGTACCGAGCTCGAATTCACTGGCCGTCGTTTT

代码解释：最重要的就是这个模式：regex

= re.compile(' |d|n|t')，其中'

|d|n|t'表示的是，数字或换行，或空格。