接收 NameError - 如何修复？答案

【问题标题】：Receiving NameError - how to fix?接收 NameError - 如何修复？
【发布时间】：2020-11-23 18:01:22
【问题描述】：

我正在处理一个项目，但我在nano 中编写的以下代码存在问题：

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
       list = re.match('H149xcV\_\w+\_\w+\_\w+', gene_id)
       print (">"+list.group(1))

这是我在command-line 上执行命令时收到的错误：

File "mpo.py", line 7, in <module>
    gene_id = myfile.id
NameError: name 'myfile' is not defined

我有一个 fasta 格式的文件

>H149xcV_Fge342_r3_h2_d1 len=210 path=[0:0-206]
ACTATACATGAGGAGAACATAGAACAAAAATGGGACCATAGATATATAACAATAGAAGATATAGAGAACACAATAGACAACTTATTAGGAAAGAGGTGTGTCGTCATGGAGCTGATGTTCGAGGATACTTTGCATGGTCATTCTTGGATAATTTTGAGTGGGCTATGGGATACACCAAGAGGTTTGGCATTGTTTATGTTGATTATAAGAACGGGC

 >H149xcV_ytR1oP_r3_h2_d1 len=306 path=[0:0-207]
    ATTAGAGTCTGAGAGAGTCTTGATTTGTCGTCGTCGAGAAATATAGGAGATCTGATTAGAGGAGAGAGCGGCCTAGGCGATGCGCGATATAGCGCTATATAGGCCTAGAGGAGAGTCTCTCTCTTTTAGAAGAGATAATATATATATATATATGGCTCTCCGGCGGGGCCGCGCGAGAGCTCGATCGATCGATATTAGCTGTACGATGCTAGCTAGCTTATATTCGATCGATTATAGCTTAGATCTCTCTCTAAAGGTCGATATCGCTTATGCGCGCGTATATCG

我想重新格式化我的文件，以便它只为我提供唯一的基因 ID，并且只输出那些长度大于 250 bp 的基因 ID。

我希望我想要的输出如下所示：

>H149xcV_Fge342_r3_h2
>H149xcV_ytR1oP_r3_h2
>H149xcV_DPN78333_r3_h2
>H149xcV_AgV472_r3_h2
>H149xcV_DNP733_r3_h2

【问题讨论】：

您的正则表达式是否需要双引号？ re.match("H149xcV\_\w+\_\w+\_\w+")
re.match 将字符串作为参数。它（不是 Python 解析器）将其解析为正则表达式。
@rhavelka 我试过这样做，但后来收到这个 TypeError: match() missing 1 required positional argument: 'string'
@chepner 那么我需要使用 re.search 吗？
@AlphaQueUp 看着docs 你需要一个模式和一个字符串。所以你需要像re.match(""H149xcV\_\w+\_\w+\_\w+", myFile)这样的东西

标签： python regex shell bioinformatics fasta

【解决方案1】：

正如您问题后的 cmets 中所建议的，要匹配的参数应该是一个字符串。我要补充的一件事是 python3 有一个用于正则表达式的 r"" 字符串分隔符。你的代码变成这样：

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
       list = re.match(r"H149xcV_\w+_\w+_\w+", gene_id)
       print (">"+list.group(0))

下划线 _ 不是特殊的正则表达式字符（我记得），因此不需要转义。

match() 函数接受一个正则表达式和您正在搜索的字符串（所以我添加了gene_id）。最后，您要输出group(0)。 group(0) 表示整个匹配。 group(1) 来自第一个捕获括号（你没有）所以坚持使用 group(0)。

【讨论】：

嗨@Mark，我将如何更改正则表达式以便它只为我提供>H149xcV_Fge342_r3_h2 而不是>H149xcV_Fge342_r3_h2_d1。我不喜欢由d1 组成的最后部分。所以基本上，我怎样才能格式化它，所以它只提供这个>H149xcV_Fge342_r3_h2
正则表达式中的 \w 表示“任何单词字符”。这本质上是指字母和数字（尽管我确信我在技术上是不正确的）。 \w+ 表示 1 个或多个字母或数字。正则表达式中的下划线 _ 告诉解析器查找下划线（文字匹配）。因此，如果您希望正则表达式不包含 '_d1' ，请省略字符串中的最后 4 个字符。具体来说，请改用 r"H149xcV_\w+_\w+"。

【解决方案2】：

使用EMBOSS 包中的infoseq 实用程序，并将输出（具有序列ID 和长度的表）通过您选择的脚本语言的单行进行管道传输。在这里，为了简单起见，我使用 Perl：

cat input.fasta | \
    infoseq -auto -only -name -length stdin | \
    perl -lane 'my ($name, $length) = @F; if ( !$seen{$name}++ && $length > 250 ) { print ">$name"; }' > output.fasta

安装EMBOSS，例如使用conda：

conda create --name emboss emboss

【讨论】：

嗨@TimurShtatland 不幸的是，我不允许使用任何其他实用程序。