从字符串中提取值

Question

我想在Python中从一个字符串中提取某些值。

snp_1_881627    AA=G;ALLELE=A;DAF_GLOBAL=0.473901;GENE_TRCOUNT_AFFECTED=1;GENE_TRCOUNT_TOTAL=1;SEVERE_GENE=ENSG00000188976;SEVERE_IMPACT=SYNONYMOUS_CODON;TR_AFFECTED=FULL;ANNOTATION_CLASS=REG_FEATURE,SYNONYMOUS_CODON,ACTIVE_CHROM,NC_TRANSCRIPT_VARIANT,NC_TRANSCRIPT_VARIANT;A_A_CHANGE=.,L,.,.,.;A_A_LENGTH=.,750,.,.,.;A_A_POS=.,615,.,.,.;CELL=GM12878,.,GM12878,.,.;CHROM_STATE=.,.,11,.,.;EXON_NUMBER=.,16/19,.,.,.;GENE_ID=.,ENSG00000188976,.,ENSG00000188976,ENSG00000188976;GENE_NAME=.,NOC2L,.,NOC2L,NOC2L;HGVS=.,c.1843N>T,.,n.3290N>T,n.699N>T;REG_ANNOTATION=H3K36me3,.,.,.,.;TR_BIOTYPE=.,PROTEIN_CODING,.,PROCESSED_TRANSCRIPT,PROCESSED_TRANSCRIPT;TR_ID=.,ENST00000327044,.,ENST00000477976,ENST00000483767;TR_LENGTH=.,2790,.,4201,1611;TR_POS=.,1893,.,3290,699;TR_STRAND=.,-1,.,-1,-1

输出结果：

              GENE_ID         GENE_NAME   EXON_NUMBER  SEVERE_IMPACT
snp_1_881627  ENSG00000188976 NOC2L       16/19        SYNONYMOUS_CODON

如果字符串中包含这些变量（如GENE_ID、GENE_NAME、EXON_NUMBER）的值，那么就输出这些值；如果没有这些变量或者它们的值不存在，就输出“NA”。有时候，这些变量在字符串中可能并不存在。

我应该使用哪个字符串方法来完成这个任务？在提取任何值之前，我需要先分割字符串吗？我有1万行数据需要为每个snp_*提取值。

string=string.split(';')

附注：我在Python方面还是个新手。

Answer 1

我觉得这就是你正在寻找的解决方案。

#input
user_in = 'snp_1_881627    AA=G;ALLELE=A;DAF_GLOBAL=0.473901;GENE_TRCOUNT_AFFECTED=1;GENE_TRCOUNT_TOTAL=1;SEVERE_GENE=ENSG00000188976;SEVERE_IMPACT=SYNONYMOUS_CODON;TR_AFFECTED=FULL;ANNOTATION_CLASS=REG_FEATURE,SYNONYMOUS_CODON,ACTIVE_CHROM,NC_TRANSCRIPT_VARIANT,NC_TRANSCRIPT_VARIANT;A_A_CHANGE=.,L,.,.,.;A_A_LENGTH=.,750,.,.,.;A_A_POS=.,615,.,.,.;CELL=GM12878,.,GM12878,.,.;CHROM_STATE=.,.,11,.,.;EXON_NUMBER=.,16/19,.,.,.;GENE_ID=.,ENSG00000188976,.,ENSG00000188976,ENSG00000188976;GENE_NAME=.,NOC2L,.,NOC2L,NOC2L;HGVS=.,c.1843N>T,.,n.3290N>T,n.699N>T;REG_ANNOTATION=H3K36me3,.,.,.,.;TR_BIOTYPE=.,PROTEIN_CODING,.,PROCESSED_TRANSCRIPT,PROCESSED_TRANSCRIPT;TR_ID=.,ENST00000327044,.,ENST00000477976,ENST00000483767;TR_LENGTH=.,2790,.,4201,1611;TR_POS=.,1893,.,3290,699;TR_STRAND=.,-1,.,-1,-1'

#set some empty vars
user_in = user_in.split(';')
final_output = ""
GENE_ID_FOUND = False
GENE_NAME_FOUND = False
EXON_NUMBER_FOUND = False
GENE_ID_OUTPUT = ''
GENE_NAME_OUTPUT = ''
EXON_NUMBER_OUTPUT = ''
SEVERE_IMPACT_OUTPUT = ''


for x in range(0, len(user_in)):
  if x == 0:
    first_line_count = 0
    first_line_print = ''
    while(user_in[0][first_line_count] != " "):
      first_line_print += user_in[0][first_line_count]
      first_line_count += 1
    final_output += first_line_print + "\t"
  else:

    if user_in[x][0:11] == "SEVERE_GENE":
      GENE_ID_OUTPUT += user_in[x][12:] + "\t"
      GENE_ID_FOUND = True

    if user_in[x][0:9] == "GENE_NAME":
      GENE_NAME_OUTPUT += user_in[x][10:] + "\t"
      GENE_NAME_FOUND = True

    if user_in[x][0:11] == "EXON_NUMBER":
      EXON_NUMBER_OUTPUT += user_in[x][12:] + "\t"
      EXON_NUMBER_FOUND = True

    if user_in[x][0:13] == "SEVERE_IMPACT":
      SEVERE_IMPACT_OUTPUT += user_in[x][14:] + "\t"

if GENE_ID_FOUND == True:
  final_output += GENE_ID_OUTPUT
else:
  final_output += "NA"

if GENE_NAME_FOUND == True:
  final_output += GENE_NAME_OUTPUT
else:
  final_output += "NA"

if EXON_NUMBER_FOUND == True:
  final_output += EXON_NUMBER_OUTPUT
else:
  final_output += "NA"

final_output += SEVERE_IMPACT_OUTPUT


print(final_output)

Answer 2

这里有两种常用的方法可以解决这个问题 - split 和正则表达式（regex）。

首先，如果你想用 split 方法，第一步是把行标签（比如 snp_1_881627）分开：

rowname, data = row.split()

接下来，你可以用分号（;）把 data 分成一个个独立的条目：

data = data.split(';')

因为你需要获取某些键的值，所以我们可以把它变成一个字典：

dataDictionary = {}
for entry in data:
    entry = entry.split('=')
    dataDictionary[entry[0]] = entry[1] if len(entry) > 1 else None

然后你可以简单地检查这些键是否在 dataDictionary 里，如果在的话就拿到它们的值。

使用 split 的好处是，它会把数据字符串中的所有内容都索引起来，这样你就能轻松找到需要的部分。

如果你需要的内容不会改变，那么使用正则表达式可能是个更好的选择：

>>> import re
>>> re.search('(?<=GENE_ID=)[^;]*', 'onevalue;GENE_ID=SOMETHING;othervalue').group()
'SOMETHING'

在这里，我使用了一个“向后查找”的方法来匹配某个关键词，然后用 group() 从匹配中提取值。把你的关键词放进一个列表里，你可以这样找到所有的值：

import re
...
keywords = ['GENE_ID', 'GENE_NAME', 'EXON_NUMBER', 'SEVERE_IMPACT']
desiredValues = {}
for keyword in keywords:
    match = re.search('(?<={}=)[^;]*'.format(keyword), string_to_search)
    desiredValues[keyword] = match.group() if match else DEFAULT_VALUE