如何在Python中查找特定文件

Question

我有一个目录，其中包含以下结构的文件

A2ML1_A8K2U0_MutationOutput.txt
A4GALT_Q9NPC4_MutationOutput.txt
A4GNT_Q9UNA3_MutationOutput.txt
...

前几个字母代表基因，后几个字母代表Uniprot编号（唯一的蛋白质标识符）和突变输出是不言自明的。你知道吗

在Python中，我要执行以下行：

f_outputfile.write(mutation_directory + SOMETHING +line[1+i]+"_MutationOutput.txt\n")

这里，line[1+i]正确地标识Uniprot ID

我要做的是正确识别基因名。因此，我需要快速搜索该目录，在uniprot字段中找到具有line[i+1]值的文件，然后取出基因名。你知道吗

我知道我可以列出目录中的所有文件，然后我可以对每个字符串执行str.split()操作并找到它。但有没有办法让我更聪明？我应该用字典吗？我能快速搜索一下正则表达式吗？你知道吗

整个目录大约有8116个文件——所以没有那么多。你知道吗

谢谢你的帮助！你知道吗

Answer 1

What I need to do is correctly identify the gene name. So somehow, I need to quickly search over that directory, find the file that has the line[i+1] value in it's uniprot field and then pull out the gene name.

想想你在壳里是怎么做到的：

$ ls mutation_directory/*_A8K2U0_MutationOutput.txt
mutation_directory/A2ML1_A8K2U0_MutationOutput.txt

或者，如果您在Windows上：

D:\Somewhere> dir mutation_directory\*_A8K2U0_MutationOutput.txt
A2ML1_A8K2U0_MutationOutput.txt

在Python中，您可以使用^{}模块执行完全相同的操作：

>>> import glob
>>> glob.glob('mutation_directory/*_A8K2U0_MutationOutput.txt')
['mutation_directory/A2ML1_A8K2U0_MutationOutput.txt']

当然，你可以用一个函数来表示：

>>> def find_gene(uniprot):
...     pattern = 'mutation_directory/*_{}_MutationOutput.txt'.format(uniprot)
...     return glob.glob(pattern)[0]

---

But is there a way I can do that smarter? Should I use a dictionary?

这是否“聪明”取决于你的使用模式。你知道吗

如果每次运行都要查找数千个文件，那么只读取一次目录并使用字典而不是重复搜索肯定会更有效率。但是如果你打算，例如，无论如何，读取一个完整的文件，那要比查找它花费数个数量级的时间，所以这可能无关紧要。你知道他们怎么说过早优化。你知道吗

但是如果你想，你可以很容易地用Uniprot数字来编一本字典：

d = {}
for f in os.listdir('mutation_directory'):
    gene, uniprot, suffix = f.split('_')
    d[uniprot] = f

然后：

>>> d['A8K2U0']
'mutation_directory/A2ML1_A8K2U0_MutationOutput.txt'

---

Can I just do a quick regex search?

对于简单的情况，不需要正则表达式。*

更重要的是，你要找什么？要么你要循环，在这种情况下你可以使用glob，要么你要建立一个人工的巨型字符串来搜索，在这种情况下你最好只建立字典。你知道吗

---

_{*事实上，至少在某些平台/实现上，glob是通过从简单的通配符模式中生成正则表达式来实现的，但您不必担心这一点。}