Regex sur élément changeant

Bonjour à tous,

J'ai le fichier suivant :

# NCBI taxid / refseq / STRING
9606 NP_001166366|NP_001166367|NP_001166368|NP_001744 9606.ENSP00000339191
9606 NP_004496|XP_005256902 9606.ENSP00000460380
9606 NP_004445 9606.ENSP00000306894
9606 NP_005599 9606.ENSP00000325589
9606 NP_001001557 9606.ENSP00000287020
9606 NP_001124506|NP_001180247|NP_919420|XP_005272332|XP_006713941 9606.ENSP00000389709
9606 NP_950248 9606.ENSP00000247219
9606 NP_001273572|NP_057026|XP_005250983|XP_005250984|XP_006716631|XP_006716632|XP_006716633 9606.ENSP00000287025
9606 NP_775746 9606.ENSP00000319482
9606 NP_004789 9606.ENSP00000364864

et le script suivant :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

from collections import defaultdict import re Dtraduction=defaultdict(set)   with open ("C:/Users/lveillat/Desktop/Données stage/Données/RefSeq to STRING.tsv","r") as f1: for lignes in f1: lignes1=lignes.rstrip("\n").replace("|"," ") matchs=re.search("^(\d+) (([A-Z]+_\d+| )+) (\S+)", lignes1)   if matchs: NCBItaxid=matchs.group(1) refseq=matchs.group(2) STRING=matchs.group(3) Dtraduction[STRING].add(refseq) print (Dtraduction)

---

Mon objectif est de créer le dictionnaire Dtraduction sous cette forme :

'9606.ENSP00000339191': {'NP_001166366', 'NP_001166367', 'NP_001166368', 'NP_001744'}})
'9606.ENSP00000460380': {'NP_004496', 'XP_005256902'}
'9606.ENSP00000306894' : {'NP_004445'}
ect…

Le soucis que j'ai, c'est que j'arrive pas a créer ma regex de façon à ce qu'elle s'adapte au nombre changeant de 'NP_xxxxx' la seule sortie que j'obtiens avec mon script est celui-ci :

defaultdict(<class 'set'>, {'NP_001744': {'NP_001166366 NP_001166367 NP_001166368 NP_001744'}})
defaultdict(<class 'set'>, {'NP_001744': {'NP_001166366 NP_001166367 NP_001166368 NP_001744'}, 'XP_005256902': {'NP_004496 XP_005256902'}})
defaultdict(<class 'set'>, {'NP_001744': {'NP_001166366 NP_001166367 NP_001166368 NP_001744'}, 'XP_005256902': {'NP_004496 XP_005256902'}, 'NP_004445': {'NP_004445'}})

Comme vous pouvez le constater il ne me prends pas les différents NP_xxxx comme différents éléments, mais comme un seul…

Pouvez vous m'aider svp ?

Merci

D'abord, c'est un code python. Donc la question devrait être poser au forum python (ici, c'est de php)
https://www.developpez.net/forums/f1...eneral-python/

Mais l'éssentiel c'est d'obtenir d'aide, n'est-ce pas? Voilà...

[1] Il faut apprendre comment compter les indices de groupement. En gros, de gauche à droite chaque fois rencontrer un (, l'indice augmente par 1. Pour le détail plus précis, il vaut mieux lire des tutos et documentation.
[2] Il vaut mieux laisser "|" comme tel pour l'étape de matcher pour ne pas laisser aucune chance de confondre les data NP_... avec la clé éventuelle 9606...

Voici comment faire suivant de près le code présenté pour que vous sentez plus comfortable à suivre.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14

for lignes in f1: #lignes1=lignes.rstrip("\n").replace("|"," ") lignes1=lignes.rstrip("\n") #matchs=re.search("^(\d+) (([A-Z]+_\d+| )+) (\S+)", lignes1) matchs=re.search("^(\d+)\s(([A-Z]+_\d+(\|?))+)\s(\d+\.[A-Z0-9]+)$", lignes1)   if matchs: NCBItaxid=matchs.group(1) #refseq=matchs.group(2) refseq=matchs.group(2).replace("|", " ") #STRING=matchs.group(3) STRING=matchs.group(5) Dtraduction[STRING].add(refseq) print (Dtraduction)

---

Je mets \s au lieu de " " pour voir plus claire et j'explicite un peu plus le dernier composant - mais si la structure apparante n'est pas générque par extrapolation, vous pouvez toujours y remettre comme ...(\S+)$.

Salut,

Citation:

---

Envoyé par Amniote

Mon objectif est de créer le dictionnaire Dtraduction sous cette forme

---

Pourquoi partir dans les regex si vous ne savez pas les utiliser?
Vos lignes sont de la forme:

Code:

---

nnnn items clef

---

où items peut être item(|items)
et que .split sait très bien découper:

Code:

---

1 2 3 4

>>> line = 'nnnn a|b|c clef\n' >>> line.strip().split(' ') ['nnnn', 'a|b|c', 'clef'] >>>

---

et on peut stocker çà directement dans le dico:

Code:

---

1 2 3 4 5

>>> dico = {} >>> dico[e[-1]] = e[1].split('|') >>> dico {'clef': ['a', 'b', 'c']} >>>

---

Les expressions régulières permettent d'aller un peu plus loin dans la vérification que la ligne est bien construite. Par exemple si on a:

Code:

---

9606 NP_001124506|NP_001180247|NP_919420|XP_005272332|XP_006713941 9606.ENSP00000389709

---

Il peut être intéressant de s'assurer que la ligne commence bien par 4 digits suivis d'un espace. Que les NP_xx ou XP_xx commencent bien par suivis de... etc.
Si c'est juste pour faire un découpage à la hache comme vous le feriez avec .split, autant utiliser .split: c'est bien plus simple.

- W