如何在不使用range（）python的情况下删除文本文档的特定部分

Question

基本上，我得到一个文本文档，其中包含一个标题（大约8行），然后是一堆DNA序列。我可以想出所有的解决方案，我需要解决我的特殊问题，除了如何提取DNA序列从标题。我可以用

dna = open("dna_sequence.txt").read().split('\n')

他们成功地把每一行都写进了一个列表。这正是我想要的。但是，列表中的前8项基本上是垃圾，我需要将它们从列表的其余部分中删除，而不必使用like.pop（）或slice或从某个范围创建列表。你知道吗

我们唯一可以用来完成这个任务的模块是熊猫，但是我们还没有过多的讨论，我对它不太熟悉。我知道没有那个模块是可以做到的。你知道吗

好的，所以从这里的评论是更多的信息，对不起，我没有包括它，不知道这将是重要的：D

LOCUS: SCU49845
ACCESSION: U49845
ORGANISM: Saccharomyces cerevisiae (baker's yeast)          
AUTHORS: Roemer,T., Madden,K., Chang,J. and Snyder,M.
TITLE: Selection of axial growth sites in yeast requires Axl2p, a novel plasma membrane glycoprotein
JOURNAL: Genes Dev. 10 (7), 777-793 (1996)
PUBMED: 8846915
SOURCE: https://www.ncbi.nlm.nih.gov/nuccore/U49845.1?report=genbank&to=5028
GATCCTCCATATACAACGGTATCTCCACCTCAGGTTTAGATCTCAACAACGGAACCATTGCCGACATGAG
ACAGTTAGGTATCGTCGAGAGTTACAAGCTAAAACGAGCAGTAGTCAGCTCTGCATCTGAAGCCGCTGAA
GTTCTACTAAGGGTGGATAACATCATCCGTGCAAGACCAAGAACCGCCAATAGACAACATATGTAACATA
TTTAGGATATACCTCGAAAATAATAAACCGCCACACTGTCATTATTATAATTAGAAACAGAACGCAAAAA

因此，我将要使用的.txt文档如下所示。一堆代码。我需要删除DNA序列上面的部分，所以我只剩下一个DNA序列的列表，不管字符串有多长，因为我将在下一部分的赋值中使用for循环。你知道吗

任务是提取DNA序列并创建一个包含补码的字符串。我可以很容易地用for循环来实现，因为只有4个核苷酸，每个只有1个补体。你知道吗

他明确地说我们可以用熊猫来做，但是由于我们还没有过多的讨论，他不希望我们知道如何做，我们可以用Python来做。你知道吗

如果我能做的话dna切片（1,9）那很简单，但他说我们不能那样做。所以我迷路了

Answer 1

好的，澄清一下，并展示我得到的答案，以防万一其他人也有同样的问题。你知道吗

我被允许使用re，我和我的教授商量过了。你知道吗

但任务是“定义一个函数，这样，如果从文本文件（*.txt）输入，就可以找到所有的DNA序列并提供补码”

多亏了你们，还有一些年轻人，这就是我想到的： （我100%肯定它可能会被清理，但它要到星期一才到期）

import re
def dnaMatching(t):
    with open(t) as n:
        dna = [line for line in m if re.match(r'^[AGCT]+$', line)]
    complement = ""
    for i in dna:
        for x in i:
            if x == 'A':
                complement += 'T'
            elif x == 'G':
                complement += 'C'
            elif x == 'C':
                complement += 'G'
            elif x == 'T':
                complement += 'A'
    return complement

非常感谢你们的帮助！你知道吗

Answer 2

如果您只是想获取dna序列，可以使用正则表达式遍历文件：

import re

with open(somefile) as fh:
     mydna = [line for line in fh if re.match('^[AGCT]+$', line)]

mydna
# ['GATCCTCCATATACAACGGTATCTCCACCTCAGGTTTAGATCTCAACAACGGAACCATTGCCGACATGAG',
# 'ACAGTTAGGTATCGTCGAGAGTTACAAGCTAAAACGAGCAGTAGTCAGCTCTGCATCTGAAGCCGCTGAA',
# 'GTTCTACTAAGGGTGGATAACATCATCCGTGCAAGACCAAGAACCGCCAATAGACAACATATGTAACATA',
# 'TTTAGGATATACCTCGAAAATAATAAACCGCCACACTGTCATTATTATAATTAGAAACAGAACGCAAAAA']

这样您就不会忽略任意数量的行，尽管这不是一个具体的答案。你知道吗

要构建补码dna字符串，可以使用字典将碱基映射到它们的补码，并对每个字符串进行迭代，如下所示：

mapping = {'A': 'T', 'T': 'A', 'C': 'G', 'G':'C'}

# .get(base, ' ') will either return the value or an empty string
# mapping.get('A', ' ') will return 'T' whereas mapping.get('U', ' ') will 
# return ' '
complements = [''.join(mapping.get(base, ' ') for base in dna) for dna in mydna]

Answer 3

熊猫回答：

import pandas as pd

df = pd.read_csv(sep="\n", header=None, names = ['code'])

regex = "[^ATCG]+\\b"     # Regex that gets eveything that's not a DNA code.
filter = df['code'].str.contains(regex)
df = df[~filter]          # Keep only the DNA codes.