Python 2.7 Python：解析文件并计算特定值

我需要查看一个.pdb文件，找到每个蛋白质中原子（H，N，O）的频率。它应该只读取以“PDBF”而不是“BLAS”开头的行

示例文件：

PDBF    772  CB  ASP A 105     -10.000  19.025  13.019  1.00 21.14           H  
PDBF    773  CG  ASP A 105     -11.247  18.520  13.742  1.00 24.28           N  
PDBF    774  OD1 ASP A 105     -12.349  18.587  13.155  1.00 25.15           N  
PDBF    775  OD2 MET A 105     -11.130  18.069  14.908  1.00 24.03           N  
PDBF    776  N   MET A 106      -8.582  19.113   9.606  1.00 20.21           N  
PDBF    777  CA  MET A 106      -7.426  19.662   8.918  1.00 18.92           H  
PDBF    778  C   MET A 106      -7.780  20.808   7.987  1.00 18.96           H  
PDBF    779  O   MET A 106      -7.021  21.768   7.855  1.00 18.52           O  
PDBF    780  CB  ARG A 106      -6.741  18.559   8.125  1.00 19.39           O  
PDBF    781  CG  ARG A 106      -6.037  17.540   8.980  1.00 18.88           N  
BLAS    782  CG  ARG A 106      -9.057  17.540   1.280  1.00 19.23           N  
BLAS    783  CG  ARG A 106      -8.015  15.920   3.970  1.00 11.81           H  

总共有3个小时、5个N和2个O。 为了找到频率，我将取每个蛋白质的每个原子的#除以该原子的总#（在整个列表中）

例如： ASP的H频率为0.3，N频率为0.2，O频率为0.0

结果输出应该是：

       H      N      O
ASP   0.33   0.40   0.00
MET   0.66   0.40   0.50
ARG   0.00   0.20   0.50
Total:  3      5      2  

（结果应该为每种蛋白质的原子频率绘制一张图表，并且还应该有原子总数）

我无法执行制表符分隔的搜索，因为它不起作用，所以我必须使用第[0:77]行来获取最后一行值（原子）

我对如何做到这一点的想法：

- A = Count all the atoms (total for the entire list)
- B = Count the total number of each type of atom for each protein
- B divided by A = the frequency for each atom
- Assign that frequency to each protein
- Display the total of each atom (A) at the end of the chart

到目前为止，我掌握的代码是：

#!/usr/bin/python
import re
import io
import csv

def read_pdb(fp):
    name, seq = None, []
    for line in fp:
        line = line.rstrip()
        if line.startswith("PDBF"):
            lineSplit = line.split(' ')
            name = lineSplit[1]
            if name: yield (name, ''.join(seq))
            name, seq = line, []

proteins = ['ASP', 'MET', 'ARG']
atoms = ['N', 'H', 'O']
temp = 0

with open('protein.pdb') as fp:
    for proteins in read_pdb(fp):
        #print(freq)
        for a in atoms:
            if re.findall(a,fp):
        temp += 1
        a = temp

---

提前感谢您可能提供的任何帮助。

好的，我不得不重新解释所有事情，抱歉等待。给你

def frequencydict(thefile):
    proteins = {}

    for line in thefile:
        if line[0:4] == 'PDBF':
            protein = line[17:20]
            atom = line[77:78]
            if protein not in proteins:
                proteins[protein] = {}
                proteins[protein][atom] = 1
            else:
                if atom not in proteins[protein]:
                    proteins[protein][atom] = 1
                else:
                    proteins[protein][atom] += 1

    atomlist = []
    thefile.seek(0)
    for line in thefile:
        if line[0:4] == 'PDBD':
            atomlist.append(line[77:78])
    htotal = atomlist.count('H')
    ntotal = atomlist.count('N')
    ototal = atomlist.count('O')

    proteinnames = list(proteins.keys())
    for name in proteinnames:
        proteins[name]['freq'] = {}
        if 'H' in proteins[name]:
            proteins[name]['freq']['H'] = proteins[name]['H'] / float(htotal)
        else:
            proteins[name]['freq']['H'] = 0.00
        if 'N' in proteins[name]:
            proteins[name]['freq']['N'] = proteins[name]['N'] / float(ntotal)
        else:
            proteins[name]['freq']['N'] = 0.00
        if 'O' in proteins[name]:
            proteins[name]['freq']['O'] = proteins[name]['O'] / float(ototal)
        else:
            proteins[name]['freq']['O'] = 0.00

    print '       H      N      O'
    for name in proteinnames:
        print '%s   %.2f   %.2f   %.2f' % (name, proteins[name]['freq']['H'],
                                                 proteins[name]['freq']['N'],
                                                 proteins[name]['freq']['O'])
    print 'Total:  %d       %d       %d' % (htotal, ntotal, ototal)

    return proteins

---

这适用于任何数量的蛋白质和原子：

from __future__ import division
from collections import defaultdict
import sys

data = '''\
PDBF    772  CB  ASP A 105     -10.000  19.025  13.019  1.00 21.14           H  
PDBF    773  CG  ASP A 105     -11.247  18.520  13.742  1.00 24.28           N  
PDBF    774  OD1 ASP A 105     -12.349  18.587  13.155  1.00 25.15           N  
PDBF    775  OD2 MET A 105     -11.130  18.069  14.908  1.00 24.03           N  
PDBF    776  N   MET A 106      -8.582  19.113   9.606  1.00 20.21           N  
PDBF    777  CA  MET A 106      -7.426  19.662   8.918  1.00 18.92           H  
PDBF    778  C   MET A 106      -7.780  20.808   7.987  1.00 18.96           H  
PDBF    779  O   MET A 106      -7.021  21.768   7.855  1.00 18.52           O  
PDBF    780  CB  ARG A 106      -6.741  18.559   8.125  1.00 19.39           O  
PDBF    781  CG  ARG A 106      -6.037  17.540   8.980  1.00 18.88           N  
BLAS    782  CG  ARG A 106      -9.057  17.540   1.280  1.00 19.23           N  
BLAS    783  CG  ARG A 106      -8.015  15.920   3.970  1.00 11.81           H
'''.splitlines()

# defaultdicts used to simplify initial entries in dicts.
D = defaultdict(lambda:defaultdict(int))
T = defaultdict(int)

# data is whitespace-delimited, so a simple split() works.
for line in data:
    tag,_,_,prot,_,_,_,_,_,_,_,atom = line.split()
    if tag == 'PDBF':
        D[prot][atom] += 1  # atoms per protein
        T[atom] += 1        # totals per atom

# header
print(('      '+'{:^4}  '*len(T)).format(*sorted(T)))

for prot in sorted(D):
    sys.stdout.write('{:3} '.format(prot))
    for atom in sorted(T):
        sys.stdout.write('  {:4.2f}'.format(D[prot][atom]/T[atom]))
    sys.stdout.write('\n')

sys.stdout.write('Total:')
for atom in sorted(T):
    sys.stdout.write('{:3}   '.format(T[atom]))
sys.stdout.write('\n')

输出：

       H     N     O    
ARG   0.00  0.20  0.50
ASP   0.33  0.40  0.00
MET   0.67  0.40  0.50
Total:  3     5     2   

---

我刚才试过了，但文件中的每一行都有相同的数字…每一行都应该有自己的频率字典？例如，在顶部的示例中，应该有10个不同的结果？因为我读它是因为这10行是用来得到每个原子的频率的。我想我可能误解了获得这些频率背后的数学原理。如果你能详细介绍一下数学，我想我能帮上忙。对于H：频率由ASP的H总数决定，然后将该数字除以整个列表中的H总数（因此它是1/3=0.33）。每个蛋白质每个原子应该只有一个频率，因此，因为有3个蛋白质和3个原子，总共应该有9个频率值。

seq

看起来总是一个空列表，为什么还要费心于

''。在收益率声明中加入（seq）

？不看文件，您知道只有H、N和O原子吗？我们可能还有其他人，你不知道他们是什么，直到代码是read@wwii只有H、N和O原子请更新您的问题-运行时会发生什么？你问的具体问题是什么？