Biopython SeqIO至熊猫数据帧

我有一个FASTA文件，可以很容易地解析

我对提取序列ID和序列长度感兴趣。我用这些行来做，但我觉得太重了（两次迭代、转换等）

我只需要一次迭代就可以完成，但我得到了一个命令：

records = SeqIO.parse(fastaFile, 'fasta')

我不知何故无法获得数据帧。从dict开始工作

我的目标是迭代FASTA文件，并通过每次迭代将id和序列长度放入

DataFrame

---

这是一个给那些想要帮助的人的建议。

你很在行-你绝对不应该对文件进行两次解析，而且当你稍后将其转换为

numpy

数组时，将数据存储在字典中是对计算资源的浪费

SeqIO.parse（）

返回一个生成器，因此您可以逐个记录迭代记录，构建如下列表：

with open('sequences.fasta') as fasta_file:  # Will close handle cleanly
    identifiers = []
    lengths = []
    for seq_record in SeqIO.parse(fasta_file, 'fasta'):  # (generator)
        identifiers.append(seq_record.id)
        lengths.append(len(seq_record.seq))

有关仅解析FASTA文件中的ID和序列的更有效方法，请参阅

你剩下的代码在我看来相当不错。但是，如果您确实想优化熊猫的使用，您可以阅读以下内容：

---

关于最小化内存使用 查阅，我们可以看到，

数据

作为

numpy

ndarray

进行内部存储：

class Series(np.ndarray, Picklable, Groupable):
    """Generic indexed series (time series or otherwise) object.

    Parameters
    ----------
    data:  array-like
        Underlying values of Series, preferably as numpy ndarray

如果将

标识符

设置为

ndarray

，则可以直接在

系列

中使用，而无需构建新数组（参数

copy

，默认值

False

）将阻止在不需要时创建新的

ndarray

。通过将序列存储在列表中，您将强制Series将所述列表强制为

ndarray

避免初始化列表 如果您事先确切知道有多少个序列（以及最长ID的长度），您可以初始化一个空的

ndarray

来保存标识符，如下所示：

num_seqs = 50
max_id_len = 60
numpy.empty((num_seqs, 1), dtype='S{:d}'.format(max_id_len))

---

当然，很难确切知道您将拥有多少个序列，或者最大的ID是什么，因此最简单的方法是让

numpy

从现有列表转换。但是，从技术上讲，这是存储数据以供

pandas

使用的最快方法，David在

pandas

方面给了您一个很好的答案，在Biopython端，如果只需要记录标识符及其序列长度，则不需要通过

Bio.SeqIO

使用

SeqRecord

对象-这应该更快：

from Bio.SeqIO.FastaIO import SimpleFastaParser
with open('sequences.fasta') as fasta_file:  # Will close handle cleanly
    identifiers = []
    lengths = []
    for title, sequence in SimpleFastaParser(fasta_file):
        identifiers.append(title.split(None, 1)[0])  # First word is ID
        lengths.append(len(sequence))

---

谢谢大卫，它成功了。也谢谢你的“记忆”评论！

from Bio.SeqIO.FastaIO import SimpleFastaParser
with open('sequences.fasta') as fasta_file:  # Will close handle cleanly
    identifiers = []
    lengths = []
    for title, sequence in SimpleFastaParser(fasta_file):
        identifiers.append(title.split(None, 1)[0])  # First word is ID
        lengths.append(len(sequence))