欢迎关注生信宝典http://mp.weixin.qq.com/s/n5kkZfC8FGlzeBODarLHcw
长假结束了，这不痛苦。痛苦的是长假结束了，发现写的基因组读取程序还没运行完？
在Python系列教程中，我们提到一个概念字符串是不可修改的。这一点可以通过id函数来判断确实是对的。但是这个概念会对我们写作程序有什么影响一直没有特别深的理解。
直到有一次，实验室一个朋友要读基因组数据，结果发现3 G的基因组读一晚上都没读完，就很诧异，看了下代码，这么写的。
基因组序列是GRCh38.fa，FASTA格式，序列行每行70个字符，共44,284,892行 (记住行数有多大)，示例如下。
>chr1
NNNNN...(60个N)...NNNNN
ACGTA...(60个Nt)...ACGTA
...
>chr2
NNNNN...(60个N)...NNNNN
ACGTA...(60个Nt)...ACGTA
...
读取程序如下(这里只选了读取基因组的部分，点击查看更多FASTA的操作)：
aDict = {}
for line in open("GRCh38.fa"):
if line[0] == '>':
key = line[1:-1]
aDict[key] = ''
else:
aDict[key]+=line.strip()
程序看上去没问题，获取id，读取一行附加在前一行后面，逻辑是对的。然后运行上程序，回去睡觉，满心欢喜期待第二天早上出来获得结果，结果啥也没出来，程序还停留在读取基因组序列步骤。
按我们服务器的性能，这不应该啊。就看代码是不是出问题了，怎么看逻辑都对。后来就想会不会是序列累加的问题，就换了一个写法。代码稍微长了些，先存入列表，再连接起来。
Dict = {}
for line in open("GRCh38.fa"):
if line[0] == '>':
key = line[1:-1]
aDict[key] = []
else:
aDict[key].append(line.strip())
#--------------------------------
for key, value in aDict.items():
aDict[key] = ''.join(value)
使用time函数，查看下运行速度，不足1分钟。time及更多程序监测方法见命令运行监测和软件安装。
time readFaJoin.py
real 0m51.256s
user 0m40.729s
sys 0m10.425s
不比不知道，一比吓一跳；速度差了何止几千倍。
这时，我们重新理解下什么叫字符串不可修改。
使用id函数来确定字符串累加跟列表累加的不同。(不同电脑或不同时间允许的id不同，不看具体数字，只看id的变化)
ehbio = "Sheng Xin Bao Dian"
id(ehbio)
## Output: 140405359946640
ehbio += ' very good'
ehbio
## Output: 'Sheng Xin Bao Dian very good'
id(ehbio)
## Output: 140405344262576
同样的变量名字，但不同的id。就是说python在对变量ehbio新增字符串时，是先开辟一份内存空间，把ehbio原有内容加新内容组成的字符串存入新的内存空间。而不是想象中的直接追加在已有字符串的后面。这样对4千万行数据的操作就是要做4千万次的内存空间开辟和字符串存储。这是一个特别耗时的步骤。
而如果是一个列表呢？
aList = ['Sheng','Xin']
id(aList)
## Output: 140405344245520
aList.append("Bao")
id(aList)
## Output: 140405344245520
aList.extend(["Dian", "excellent"])
id(aList)
## Output: 140405344245520
而列表就不一样了，无论是使用append增加一个元素，还是使用extend增加一组元素，列表变量aList的id都没有变化。说明这是追加，不是新建。
Python使用中还有不少类似这样的需要注意的小细节，在后续会陆续推出。
而且我们生信宝典团队要开培训班了，涉及Linux系统操作、Python编程、R Cytoscape作图和高通量数据分析。如果您有需要我们解决的问题，还请后台留言，一并纳入培训班的授课。希望通过我们的努力，让培训发挥作用，不管是来学技术，来学理念，还是来解决你手头棘手的问题，希望都能有所收获。
具体日期静待公布。
网友评论