シーケンスファイルから文字列を判別して結合し、カウントしたい

Question

python

YP_009518834.1 putative uncharacterized protein YjiT [Escherichia coli str. K-12 substr. MG1655]

MGQSEYISWVKCTSWLSNFVNLRGLRQPDGRPLYEYHATNDEYTQLTQLLRAVGQSQSNICNRDFAACFV
LFCSEWYRRDYERQCGWTWDPIYKKIGISFTATELGTIVPKGMEDYWLRPIRFYESERRNFLGTLFSEGG
LPFRLLKESDSRFLAVFSRILGQYEQAKQSGFSALSLARAVIEKSALPTVFSEDTSVELISHMADNLNSL
VLTHNLINHKEPVQQLEKVHPTWRSEFPIPLDDETGTHFLNGLLCAASVEAKPRLQKNKSTRCQFYWSEK
HPDELRVIVSLPDEVSFPVTSEPSTTRFELAICEDGEEVSGLGPAYASLENRQATVRLRKSEVRFGRQNP
SAGLSLVARAGGMIVGSIKLDDSEIAIGEVPLTFIVDADQWLLQGQASCSVRSSDVLIVLPRDNSNVAGF
DGQSRAVNVLGLKALPVKGCQDVTVTANETYRIRTGREQISIGRFALNGKRASWVCHPDETFIGVPKVIS
TLPDIQSIDVTRYTC

YP_009518833.1 uncharacterized protein YtiA [Escherichia coli str. K-12 substr. MG1655]

MKEFLFLFHSTVGVIQTRKALQAAGMTFRVSDIPRDLRGGCGLCIWLTCPPGEEIQWVIPGLTESIYCQQ
DGVWRCIAHYGVSPR

「>」でタンパク質名を判定し、print後、「>」で始まらない文字列に関して
空白を削除し、１行にまとめ、空白を認識後にカウントしたい


```python
with open("short.sequ.txt") as f:
    for line in f:
        if line.startswith(">"):
            print(line)
        else:
            seq = "".join(line.split())
            print(seq)
            count = len(seq)
            print(count)

YP_009518834.1 putative uncharacterized protein YjiT [Escherichia coli str. K-12 substr. MG1655]

MGQSEYISWVKCTSWLSNFVNLRGLRQPDGRPLYEYHATNDEYTQLTQLLRAVGQSQSNICNRDFAACFV
70
LFCSEWYRRDYERQCGWTWDPIYKKIGISFTATELGTIVPKGMEDYWLRPIRFYESERRNFLGTLFSEGG
70
LPFRLLKESDSRFLAVFSRILGQYEQAKQSGFSALSLARAVIEKSALPTVFSEDTSVELISHMADNLNSL
70
VLTHNLINHKEPVQQLEKVHPTWRSEFPIPLDDETGTHFLNGLLCAASVEAKPRLQKNKSTRCQFYWSEK
70
HPDELRVIVSLPDEVSFPVTSEPSTTRFELAICEDGEEVSGLGPAYASLENRQATVRLRKSEVRFGRQNP
70
SAGLSLVARAGGMIVGSIKLDDSEIAIGEVPLTFIVDADQWLLQGQASCSVRSSDVLIVLPRDNSNVAGF
70
DGQSRAVNVLGLKALPVKGCQDVTVTANETYRIRTGREQISIGRFALNGKRASWVCHPDETFIGVPKVIS
70
TLPDIQSIDVTRYTC
15

0

0

YP_009518833.1 uncharacterized protein YtiA [Escherichia coli str. K-12 substr. MG1655]

MKEFLFLFHSTVGVIQTRKALQAAGMTFRVSDIPRDLRGGCGLCIWLTCPPGEEIQWVIPGLTESIYCQQ
70
DGVWRCIAHYGVSPR
15

0

else文でjoin.splitがうまく作用していないのですが、
どのように書き換えたらいいのでしょうか？
70.70.70.....と続くのではなく加算した値を出したいのです
もう１つ疑問点として０が出現しているのですがこの理由も教えていただきたいです。
宜しくお願い致します。

Comments

[KSwordOfHaste]

本サイトでは質問文中のコード部分はMarkdownによる記述が必要です。そうしないと字下げが表現できず特にPythonでは情報伝達に致命的な祖語が起きます。画面したのヘルプのリンクをたどり「マークダウンの使い方」を調べて質問を編集してください。

[KSwordOfHaste]

コードのmarkdownはつけていただいたのですが、本当のコードは字下げがあるはずです。Pythonでは字下げがコードの意味を左右するので質問には実際のコードを記述ください。

[22Go]

スペースを入れたいのですが、プレビューに反映されないのはどうしたらよいでしょうか？

[KSwordOfHaste]

ご質問にはcode用markdownを2つ記述しておられますが、最初の方のmarkdown行が「```python```」になってます。これを「```text」に直してみてください。

Answer 1

with open("short.sequ.txt") as f:
    for line in f:
        if line.startswith(">"):
            print(line)
        else:
            seq = "".join(line.split())
            print(seq)
            count = len(seq)
            print(count) 

このコードでのfor文は入力ファイルの「各行」に対しのループになります。
入力ファイルに（わかりやすいように行番号を入れ空白を*に変えると）このようになってます。

1:>YP_009518834.1*putative*uncharacterized*protein*YjiT*[Escherichia*coli*str.*K-12 substr.*MG1655]***
2:MGQSEYISWVKCTSWLSNFVNLRGLRQPDGRPLYEYHATNDEYTQLTQLLRAVGQSQSNICNRDFAACFV**
3:LFCSEWYRRDYERQCGWTWDPIYKKIGISFTATELGTIVPKGMEDYWLRPIRFYESERRNFLGTLFSEGG**
  ----+----1----+----2----+----3----+----4----+----5----+----6----+----7 <=column

それゆえelseは2行目,3行目で各々実行されます。つまり

else文でjoin.splitがうまく作用していないのです

行末の2つの半角スペースが削除されて行の長さ70が表示されていますので「記述したとおりに動いている」ということになります。プログラムってのは常に「記述したとおりに動く」ので当然の結果なのですが・・・。「うまく作用していない」すなわち「期待した通りの動作でない」原因はseqが「入力の各行に対する空白を除去した結果でしかなく行の連結をしていないからです。

行の連結をするには

with open("short.sequ.txt") as f:
    for line in f:
        if line.startswith(">"):
            print(line)
            seq = ""  # 見出し行を検出したらseqの内容をリセットする
        else:
            seq += "".join(line.split())  # 見出し行以外はseqへ「連結」する
            print(seq)
            count = len(seq)
            print(count) 

しかしこのままでは2行目、3行目（およびそれ以降の行）でいちいち連結途中の行と文字数が印字されてしまいます。見づらくてもよいから結果さえ得られればよいということあれば上記のままでもよいでしょう。しかし「まとめた行の内容と文字数を一度だけ表示したい」ということであればもう少し論理をひねる必要があります。プログラミング論理を組むことに慣れてないとちょっと難しく感じるかも知れませんが、必要であれば「一度だけ表示する論理」についてもトライしてみるとよいと思います。

Comments

[22Go]

「一度だけ表示」に関してトライしてみたのですが
count = o
count += Len(seq)
max_count = (count)
print(maxcount)
これだと結果が変わらないのですがどうしたらいいでしょうか？
最高値を出力するか、内包表記で出力値をリストに格納してsumで合計値を出したいと考えています。

[22Go]

len_list = []
seq += "".join(line.split())
count = 0
count += len(seq)
len_list.append(count)
print(len_list)

このようにしたらリストに入るかと思ったのですが、１つ１つが[]に
格納されてしました。

[KSwordOfHaste]

考え方を変えたほうがよいでしょう。countを加算する必要はありません。seqに連結しているのですから必要なタイミングでlen(seq)を調べてそれをそのまま印字すればよいだけです。自分の回答で「ちょっと難しい」といったのは「どういうタイミングで印字すればよいか」を工夫するのがちょっと難しいかも知れないと感じたのです。

[KSwordOfHaste]

もし、seqそのものの連結後の内容は不要で、長さだけが必要なら自分の回答の論理はちょっと変わりますが、いずれにせよ多分難しいのは同じ点です。（どういうタイミングで印字すべきか）