代码不打印文件中的最后一个序列

Question

我有一个如下所示的文件：

<s0> 3
line1
line2
line3 
<s1> 5
line1
line2
<s2> 4
etc. up to more than a thousand

每个序列都有一个像<s0> 3 这样的标题，在这种情况下，它表示后面有三行。在上面的例子中，<s1>下面的行数是两行，所以我必须将标题更正为<s1> 2。

我下面的代码挑选出序列标题和它们下面的正确行数。但是由于某种原因，它永远不会得到最后一个序列的细节。我知道出了点问题，但我不知道是什么。有人可以指出我做错了什么吗？

import re

def call():
with open('trial_perl.txt') as fp:
    docHeader = open("C:\path\header.txt","w")
    c = 0
    c1 = 0
    header = []
    k = -1
    for line in fp:
        if line.startswith("<s"):
            #header = line.split(" ")
            #print header[1]
            c = 0
        else:
            c1 = c + 1
            c += 1

        if c == 0 and c1>0:
            k +=1
            printing = c1
            if printing >= 0:
                s = "<s%s>" % (k)
            #print "%s %d" % (s, printing)

                docHeader.write(s+" "+str(printing)+"\n")

call()

Answer 1

您的数据中最后一个序列的末尾没有标记，因此您的代码需要在循环完成后处理最后一个序列。

Answer 2

如果我可以建议一些 python 技巧来获得你的结果；您不需要那些 c/c1/k 计数器变量，因为它们使代码更难阅读和维护。相反，将序列标题映射到序列项，然后使用该映射完成所有工作：

（此代码仅在所有序列头都是唯一的情况下才有效 - 如果您有重复，它将不起作用）

with open('trial_perl.txt') as fp:
    docHeader = open("C:\path\header.txt","w")
    data = {}
    for line in fp:
        if line.startswith("<s"):
            current_sequence = line
            # create a list with the header as the key
            data[current_sequence] = []
        else:
            # add each sequence to the list we defined above
            data[current_sequence].append(line)

您的地图已准备就绪！它看起来像这样：

{"<s0> 3": ["line1", "line2", "line5"],
 "<s1> 5": ["line1", "line2"]}

你可以这样迭代它：

for header, lines in data.items():
    # header is the key, or "<s0> 3"
    # lines is the list of lines under that header ["line1", "line2", etc]
    num_of_lines = len(lines)

Answer 3

主要问题是您在阅读最后一行后忽略了检查c 的值。由于所有多余的代码，您可能很难发现这个问题。您不必增加k，因为您可以从<s...> 标记中提取值。而且您不必拥有所有三个变量c、c1 和printing。一个 count 变量就可以了。

import re, sys

def call():
    with open('trial_perl.txt') as fp:
        docHeader = sys.stdout #open("C:\path\header.txt","w")
        count = 0
        id = None
        for line in fp:
            if line.startswith("<s"):
                if id != None:
                    tag = '<s%s>' % id
                    docHeader.write('<s%d> %d\n' % (id, count))
                count = 0
                id = int(line[2:line.find('>')])
            else:
                count += 1
        if id != None:
            tag = '<s%s>' % id
            docHeader.write('<s%d> %d\n' % (id, count))

call()

Answer 4

另一种使用来自 itertools 的 groupby 的方法，您在每个组中获取最大行数 - 一个组对应于文件中的标题 + 行序列：：

from itertools import groupby

def call():
    with open('stack.txt') as fp:
        header = [-1]
        lines  = [0]
        for line in fp:
            if line.startswith("<s"):
                header.append(header[-1]+1)
                lines.append(0)
            else:
                header.append(header[-1])
                lines.append(lines[-1] +1)

    with open('result','w') as f:
        for key, group in groupby(zip(header[1:],lines[1:]), lambda x: x[0]):
            f.write(str(("<s%d> %d\n" % max(group))))

    f.close()

call()

#<s0> 3
#<s1> 2

stack.txt 是包含您的数据的文件：

<s0> 3
line1
line2
line3 
<s1> 5
line1
line2