从文件中创建字典，其中键是文件名，值是具有特定字符的字符串答案

【问题标题】：Making a dictionary from files in which keys are filenames and values are strings with specific character从文件中创建字典，其中键是文件名，值是具有特定字符的字符串
【发布时间】：2022-12-11 13:44:33
【问题描述】：

所以我的问题是——我有 FASTA 格式的蛋白质组，看起来像这样：

示例文件的名称：

GCA_003547095.1_protein.faa

内容：

>CAG77607.1
ABCDEF
>CAG72141.1
CSSDAS

而且我还有只包含蛋白质名称的文件，即：

文件名：

PF00001

内容：

CAG77607.1
CAG72141.1

我的任务是使用蛋白质列表迭代蛋白质组，以找出每个蛋白质组中有多少蛋白质。 PE告诉我应该是一个字典，以蛋白质组的文件名为键，以“>”后的序列名为值。

我的方法如下：

import pandas as pd
file_names = open("proteomes_list").readlines()

d = {x: pd.read_csv("/proteomes/" + "GCA_003547095.1_protein.faa").columns.tolist() for x in file_names}
print (d)

如您所见，我已经将蛋白质组文件名制作成列表（使用简单的 bash“ls”，这些只是蛋白质组的名称）然后创建以序列名称作为值的字典——不幸的是每个蛋白质组（包括测试的蛋白质组）只有一个值. 如果您能阐明我的情况，我将不胜感激。

我的目标是制作字典，其中键为 GCA_003547095.1_protein.faa，值为 CAG77607.1、CAG72141.1。

【问题讨论】：

标签： python bioinformatics fasta

【解决方案1】：

这是您期望的输出吗？此函数应遍历您的文件并获取 fasta 文件头或文件中预期的蛋白质名称。这是一个可以创建 fasta 标头列表的快速函数。您可以创建您提到的字典购买迭代文件名并更新父字典

import os 
def extract_proteomes(folder: str, filename: str) -> list[str]:
    with open(os.path.join(folder, filename), mode='r') as file:
        content: str = file.read().split('
')
    protein_names = [i[1:] for i in content if i.startswith('>')]
    if not protein_names:
        protein_names = [i for i in content if i]
    return protein_names

folder = "/Users/user/Downloads/"
files = ["GCA_003547095.1_protein.faa", "PF00001"]
d = {}
for i in files:
    d.update({i: extract_proteomes(folder=folder, filename=i)})

【讨论】：