Jak uzyskać pożądaną wydajność?

Question

Pracuję nad projektem za pomocą następującego polecenia w ramach nano:

from Bio import SeqIO
import sys
import re 


    fasta_file = (sys.argv[1])
    for myfile in SeqIO.parse(fasta_file, "fasta"):
      if len(myfile) > 250:
       gene_id = myfile.id
       mylist = re.match(r"H149xcV_\w+_\w+_\w+", gene_id)
       print (">"+mylist.group(0))   # edited from list to mylist

i zapewnia następujące wyjście:

>H149xcV_Fge342_r3_h2_d1
>H149xcV_bTr423_r3_h2_d1
>H149xcV_kN893_r3_h2_d1
>H149xcV_DNp021_r3_h2_d1
>H149xcV_JEP3324_r3_h2_d1
>H149xcV_SRt424234_r3_h2_d1

Jak mogę zmienić moje polecenie, aby zapewniało mi pożądany format i tylko UNIKALNE identyfikatory genów:

>H149xcV_Fge342_r3_h2
>H149xcV_bTr423_r3_h2
>H149xcV_kN893_r3_h2
>H149xcV_DNp021_r3_h2
>H149xcV_JEP3324_r3_h2
>H149xcV_SRt424234_r3_h2

Answer 1

jej łatwo wymienić matchz subale proszę przestać używać listjako zmienna ... mylist jest w porządku.

To może zadziałać

   mylist = re.sub(r'H149xcV_\w+_\w+_\w+', gene_id)

Inaczej

myregex = re.compile('_\w+\s+.*') 
fastaid = myregex.sub('', myfile)

LUB z @MaximilianPress

myregex2 = re.compile('_\w+\n') # or myregex2 = re.compile('_\w+$')
fastaid2 = myregex.sub('\n', myfile) # or fasaid2 = myregex.sub('', myfile)

Powyższe zadziała ... Jak w przypadku całego mojego kodu, nigdy tego nie udowadniam.

Answer 2

from Bio import SeqIO
import sys
import re 

unique = []
fasta_file = (sys.argv[1])
for myfile in SeqIO.parse(fasta_file, "fasta"):
    if len(myfile) > 250:
        gene_id = myfile.id
        if gene.id not in unique:
            unique.append(gene.id)
            mylist = re.match(r"H149xcV_\w+_\w+_\w+", gene_id)
            print (">"+mylist.group(0)) 

daj mi znać, czy to działa, ja też się uczę