[已解决]count函数咨询

大盒子

文件“测试.txt”中的内容如下：
GWHAOPM00000765        EVM        gene        45928        49103        .        +        0        ID=OeCYP51G64a;Accession=GWHGAOPM050481; ;transl_table=1
GWHAOPM00000765        EVM        mRNA        45928        49103        .        +        0        ID=OeCYP51G64a.1;Accession=GWHTAOPM050481;Parent=OeCYP51G64a;Parent_Accession=GWHGAOPM050481; ;transl_table=1
GWHAOPM00000765        EVM        exon        45928        46049        .        +        0        ID=Contig001288_ERROPOS3153804__exon_45928_46049;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        CDS        45928        46049        .        +        0        ID=Contig001288_ERROPOS3153804__CDS_45928_46049;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;Protein_Accession=GWHPAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        exon        46433        46542        .        +        0        ID=Contig001288_ERROPOS3153804__exon_46433_46542;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        CDS        46433        46542        .        +        1        ID=Contig001288_ERROPOS3153804__CDS_46433_46542;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;Protein_Accession=GWHPAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        exon        46575        46801        .        +        0        ID=Contig001288_ERROPOS3153804__exon_46575_46801;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        CDS        46575        46801        .        +        2        ID=Contig001288_ERROPOS3153804__CDS_46575_46801;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;Protein_Accession=GWHPAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        exon        48105        49103        .        +        0        ID=Contig001288_ERROPOS3153804__exon_48105_49103;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;;transl_table=1
GWHAOPM00000765        EVM        CDS        48105        49103        .        +        0        ID=Contig001288_ERROPOS3153804__CDS_48105_49103;Parent=OeCYP51G64a.1;Parent_Accession=GWHTAOPM050481;Protein_Accession=GWHPAOPM050481;;transl_table=1
文件“测试1.txt”中的内容如下：
OeCYP51G64a
代码如下：
a = open('.\\测试.txt')
b = open('.\\测试1.txt')
c = open('.\\数量1.txt','w')

gff = a.readlines()
cyp = b.readlines()
shul = ['CYPname\texon\tintron\n']


for i in cyp:
    d = ''
    st = ''
    p450 = i.strip()
    for m in gff:
        if p450 in m:
            st += m
    d = p450 + '\t' + str(st.count('exon')/2) + '\t' +  str(st.count('exon')/2-1) + '\n'
    print(st)
    print(st.count('exon'))
    print(st.count('exon')/2)
    assert 3>4
    shul.append(d)
   

c.writelines(shul)
a.close()
b.close()
c.close()

问题：文件“测试.txt”中明明‘exon’出现的次数只有4次，为什么会被count成8次呢

最佳答案

月排行榜 / 总排行榜

wp231957

2023-12-1 13:10:09

你这里单查exon  肯定是8个啊   你要查前后都有空格的 就是4个了

>>> len(re.findall("exon",ts))
8
>>> len(re.findall(" exon ",ts))
4
>>>

跳转到最佳答案楼层

FishC_GPT

问题出在你的循环中，当找到匹配的行时，你将整行添加到了字符串`st`中。然而，在GFF文件中，属性信息是以分号（;）分隔的，所以你可能会得到重复的结果。

为了解决这个问题，你可以使用split(';')方法来提取属性信息，并对每个属性进行处理。修改你的代码如下：

1. a = open('.\\测试.txt')
2. b = open('.\\测试1.txt')
3. c = open('.\\数量1.txt', 'w')
5. gff = a.readlines()
6. cyp = b.readlines()
7. shul = []
9. for i in cyp:
10.     d = ''
11.     st = ''
12.     p450 = i.strip()
13.     for m in gff:
14.         if p450 in m:
15.             attrs = m.strip().split(';')  # 将属性信息以分号分隔成列表
16.             for attr in attrs:
17.                 if 'exon' in attr:
18.                     st += attr + '\n'
19.     d = p450 + '\t' + str(st.count('exon')/2) + '\t' +  str(st.count('exon')/2-1) + '\n'
20.     shul.append(d)
22. c.writelines(shul)
23. a.close()
24. b.close()
25. c.close()

复制代码

现在，`st`中只包含与'exon'相关的属性行，而不再包含其他属性行。重新运行代码，你应该会得到正确的结果。

以上回复来自 -- ChatGPT（FishC官方接口），如未能正确解答您的问题，请继续追问。

大盒子

FishC_GPT 发表于 2023-12-1 10:42
问题出在你的循环中，当找到匹配的行时，你将整行添加到了字符串`st`中。然而，在GFF文件中，属性信息是以 ...

分号（;）分隔为什么会导致计数重复

FishC_GPT

大盒子 发表于 2023-12-01 10:54
分号（;）分隔为什么会导致计数重复

当你将`m`中的行按照分号（;）进行分割后，得到的是一个属性列表。如果某个属性中包含了关键字'exon'，那么通过count方法计算得到的结果可能会多于实际的'exon'出现次数。这是因为'exon'可能在属性中出现多次，而count方法会将每次出现都计数。

例如，假设属性列表为`['ID=Contig001288_ERROPOS3153804__exon_45928_46049', 'Parent=OeCYP51G64a.1', 'Parent_Accession=GWHTAOPM050481', '', 'transl_table=1']`，其中第一个属性即为'exon'。如果使用count方法计算'exon'的出现次数，会得到2，但实际上只有一个'exon'。

为了避免重复计数，你可以使用set数据结构来存储'exon'，这样每个'exon'只会被计算一次。修改代码如下所示：

1. a = open('.\\测试.txt')
2. b = open('.\\测试1.txt')
3. c = open('.\\数量1.txt', 'w')
5. gff = a.readlines()
6. cyp = b.readlines()
7. shul = []
9. for i in cyp:
10.     d = ''
11.     exons = set()  # 使用set存储'exon'
12.     p450 = i.strip()
13.     for m in gff:
14.         if p450 in m:
15.             attrs = m.strip().split(';')
16.             for attr in attrs:
17.                 if 'exon' in attr:
18.                     exons.add(attr)  # 将'exon'添加到set中
19.     d = p450 + '\t' + str(len(exons)) + '\t' + str(len(exons)-1) + '\n'
20.     shul.append(d)
22. c.writelines(shul)
24. a.close()
25. b.close()
26. c.close()

复制代码

现在，计算'exon'的次数时，只会计算不重复的'exon'，避免了重复计数的问题。

以上回复来自 -- ChatGPT（FishC官方接口），如未能正确解答您的问题，请继续追问。

大盒子

FishC_GPT 发表于 2023-12-1 10:54
当你将`m`中的行按照分号（;）进行分割后，得到的是一个属性列表。如果某个属性中包含了关键字'exon'，那 ...

在你举的例子中，
例如，假设属性列表为`['ID=Contig001288_ERROPOS3153804__exon_45928_46049', 'Parent=OeCYP51G64a.1', 'Parent_Accession=GWHTAOPM050481', '', 'transl_table=1']`，其中第一个属性即为'exon'。如果使用count方法计算'exon'的出现次数，会得到2，但实际上只有一个'exon'。
count方法分别是以怎样的标准计算了2次‘exon’，或者说，它计算的2个‘exon’分别是怎么数出来的

FishC_GPT

大盒子 发表于 2023-12-01 11:00
在你举的例子中，
例如，假设属性列表为``，其中第一 ...

非常抱歉，我之前的回答有误。count方法并不会将每次'exon'出现都计数两次。实际上，问题出在你的代码中重复使用了exon关键字。

在你的代码中，`st.count('exon')/2` 这一行计算了'exon'出现的次数。然后你又在后续的代码中打印了`st.count('exon')`来查看计数结果。

然而，问题是你在构建字符串`st`时，并没有将'exon'作为整个属性进行计数，而是将每个属性包含'exon'的部分都计数了。这就导致了错觉，认为计数结果多了一倍。

为了解决这个问题，你可以对每个属性进行判断，只统计属性中是否包含关键字'exon'，而不对属性的内容进行计数。修改你的代码如下：

a = open('.\\测试.txt')
b = open('.\\测试1.txt')
c = open('.\\数量1.txt', 'w')

gff = a.readlines()
cyp = b.readlines()
shul = []

for i in cyp:
    d = ''
    st = ''
    p450 = i.strip()
   
    for m in gff:
        if p450 in m:
            attrs = m.strip().split(';')
            for attr in attrs:
                if 'exon' in attr:
                    st += attr + '\n'
   
    exons = st.split('\n')
    exon_count = len([exon for exon in exons if exon.strip() != ''])
   
    d = p450 + '\t' + str(exon_count) + '\t' +  str(exon_count-1) + '\n'
    shul.append(d)

c.writelines(shul)

a.close()
b.close()
c.close()

现在，我对每个属性进行了判断，在构建字符串`st`时只统计是否包含'exon'关键字的属性，而不是对属性内容进行计数。通过这种方式，你应该可以得到正确的计数结果。再次对之前的误导表示歉意。

以上回复来自 -- ChatGPT（FishC官方接口），如未能正确解答您的问题，请继续追问。

wp231957

你这里单查exon  肯定是8个啊   你要查前后都有空格的 就是4个了

>>> len(re.findall("exon",ts))
8
>>> len(re.findall(" exon ",ts))
4
>>>

大盒子

wp231957 发表于 2023-12-1 13:10
你这里单查exon  肯定是8个啊   你要查前后都有空格的 就是4个了

>>> len(re.findall("exon",ts))

计数8个的时候，背后是什么逻辑咧？请大神展开讲讲

wp231957

大盒子 发表于 2023-12-1 14:05
计数8个的时候，背后是什么逻辑咧？请大神展开讲讲

这就是所谓的模糊查找和精准查找的区别
比如查找dog
那么，ddog算不算？dogg算不算？？
ddogg算不算？？？

大盒子

wp231957 发表于 2023-12-1 16:12
这就是所谓的模糊查找和精准查找的区别
比如查找dog
那么，ddog算不算？dogg算不算？？

原来如此，感谢大神