从CSV文件中读取的基因序列的分类

Question

我对编程还比较陌生，我很想得到一些关于我的代码的以下部分的反馈。

class Gene:
    def __init__(self, gene_symbol, gene_id):
        # gene_symbol represents the abbreviated name of the gene (string)
        # Example: 'RHO' (short for 'Rhodopsin')
        self.gene_symbol = gene_symbol

        # gene_id represents an accession ID for the gene (string)
        # Example: 'NM_000539.3'
        self.gene_id = gene_id

        # is_valid_ functions check if the type of the gene_id is valid
        # and returns True or False
        # Assume that the types of the gene_id are mutually exclusive
        if is_valid_refseq(gene_id):
            # Example of a valid refseq: 'NM_000539.3'
            self.gene_id_type = REFSEQ

        elif is_valid_ensembl_gene(gene_id):
            # Example of a valid ensembl_gene: 'ENSG00000163914'
            self.gene_id_type = ENSEMBL_GENE

        elif is_valid_ensembl_transcript(gene_id):
            # Example of a valid ensembl_transcript: 'ENST00000296271'
            self.gene_id_type = ENSEMBL_TRANSCRIPT

        else:
            raise InvalidGeneIDError("Invalid gene_id: {}".format(gene_id))



refseqs = []
ensembl_genes = []
ensembl_transcripts = []

with open(csv_gene_list, 'r', newline='') as csv_input:

    reader = csv.reader(csv_input, delimiter=',')
    next(reader)
    for row in reader:
        row_gene_symbol = row[0]
        row_gene_id = row[1]

        row_gene = Gene(row_gene_symbol, row_gene_id)

        if row_gene.gene_id_type == REFSEQ:
            refseqs.append(row_gene)

        elif row_gene.gene_id_type == ENSEMBL_GENE:
            ensembl_genes.append(row_gene)

        elif row_gene.gene_id_type == ENSEMBL_TRANSCRIPT:
            ensembl_transcripts.append(row_gene)

        else:
            # What do I do here?
            raise AssertionError('Unrecognized gene_id_type: {}'.format(
                    row_gene.gene_id_type))

假设gene_symbol和gene_id是字符串，is_valid_函数是在代码的其他地方实现的。

我想问一下，实现这些多个if - the语句是否是正确的方法。我觉得如果在行后添加更多的这些条件表达式，我的代码可能会变得杂乱无章。

另一个问题是关于最后一条else语句。在这种情况下我该怎么办？如果代码按预期工作，那么它不应该到达最后一个else语句，因为在初始化Gene对象时应该引发InvalidGeneIDError。一种解决方案是省略这一部分并将elif row_gene.gene_id_type == ENSEMBL_TRANSCRIPT:更改为else:，但我更愿意明确地说明具体的检查，以帮助传达代码的意图。

在我前进的过程中，我的主要任务是集中精力开发良好的编码风格/习惯，并编写可读的代码。我还想学习/发现Python必须提供的新工具/技巧。如有任何建议和帮助，将不胜感激。

Answer 1

是的，问题在于切换:在两个地方都有相同的if-elif- set条件重复。很可能，随着程序的发展，您将添加更多的这些链的副本。这些链的问题是，如果以后需要在中间再添加一种情况，则需要相应地修改所有副本。这很容易出错，因为您可能不记得复制链的所有位置。

我们怎样才能更好地处理这件事？我们是否可以用其他的方法来替换这些链，如果我们在Gene构造函数中添加一个新的情况，我们就可以不用担心程序的其余部分了？

至少在这个例子中，有一个可行的解决方案。考虑这3份清单：

参= [] ensembl_genes = [] ensembl_transcripts = []

这些清单是问题的一个重要部分。它们反映了当前支持的3种类型，当您将项目放入这些列表中时，需要准确地通过这些名称引用这些列表。

您可以使用列表字典来代替这些列表，其中键是基因类型，值是列表。就像这样：

genes = dict()

with open(csv_gene_list, 'r', newline='') as csv_input:

    reader = csv.reader(csv_input, delimiter=',')
    next(reader)
    for row in reader:
        row_gene_symbol = row[0]
        row_gene_id = row[1]

        row_gene = Gene(row_gene_symbol, row_gene_id)

        if row_gene.row_gene_id not in genes:
            genes[row_gene.row_gene_id] = []

        genes[row_gene.row_gene_id].append(row_gene)
        # ...

在这种形式下，链条消失了，你问题的第二部分自然也消失了。

正如@jaime在评论中指出的，这可以大大简化：

如果基因中没有row_gene.row_gene_id：划_gene.row_基因_id= [] 划_gene.row_基因_id.append(Row_gene)

像这样使用setdefault：

genes.setdefault(row_gene.row_gene_id, []).append(row_gene)

Answer 2

以下是我的代码在采纳@janos的建议后的一个修订版。

# Make an empty dictionary that will hold the following key-value pairs
# {gene_id_type: list of Gene objects}
all_genes = dict()

with open(csv_gene_list, 'r', newline='') as csv_input:

    reader = csv.reader(csv_input, delimiter=',')
    next(reader)
    for row in reader:
        row_gene_symbol = row[0]
        row_gene_id = row[1]

        row_gene = Gene(row_gene_symbol, row_gene_id)
        gene_id_type = row_gene.gene_id_type

        # Check if gene_id_type is in the dictionary
        if gene_id_type in all_genes:
            # Append row_gene to the list in the dictionary
            all_genes[gene_id_type].append(row_gene)

        else:
            # Make a new key named gene_id_type and
            # assign its value as a list with row_gene in it
            all_genes[gene_id_type] = [row_gene]

# Do stuff with all_genes

Answer 3

如果文件中的行只包含两个元素，则可以同时设置符号和id。我也不认为你需要有row_前缀。

gene_symbol, gene_id = row

这将将每个row解压到gene_symbol和gene_id的两个值中。这是一种同时获得两个值的更干净的方法。如果row有两个以上的值，则会引发错误，但这也意味着您不会忽略格式错误的数据。