python - 我该如何解析？

Question

MUC20 17615 NP_689886.2 MET 01280 NP_001120972.1 体外；体内；酵母 2-杂交 15314156

SMURF2 06901 NP_073576.1 TFPI2 08962 NP_006519.1 酵母 2-杂交 15231748

ERBB2 01281 NP_004439.2 ERBB2 01281 NP_004439.2 体外；体内 10372802,1706616,12354693,11500516

ACPP 01378 NP_001127666.1 ERBB2 01281 NP_004439.2 体外；体内 11067847,10851066,9705354

PIK3R1 01381 NP_852664.1 ERBB2 01281 NP_004439.2 体内 1351056,16843263

PLCG1 01398 NP_002651.2 ERBB2 01281 NP_004439.2 体内 1676673,1683701

……

请帮助我。我的数据看起来像这样。我只想使用 python 解析蛋白质的配对名称（粗体）。成对的名字应该像下面这样存储。例如，MUC20 10 MET。和 SMURF2 10 TFPI2。在名称之间，应插入数字 10。

MUC20 10 满足

SMURF2 10 TFPI2

ERBB2 10 ERBB2

ACPP 10 ERBB2

我怎样才能像上面那样解析？

谢谢你。

Answer 1

你能用空格分割然后取第 0 个和第 3 个元素并在它们之间插入“10”吗？

例如：

def parseString(origString):
    splitString = origString.split(' ')
    return splitString[0] + ' 10 ' + splitString[3]

Answer 2

这是（至少）三个问题：

1. 解析，即识别输入文件中感兴趣的信息，将其与您不感兴趣的内容分开。也许可以查看这部分的正则表达式。
2. 将解析出的信息存储在合适的结构中。一个普通的 Python 列表就足够了。
3. 使用存储的信息生成其他一些新的“报告”，您可以在其中插入10s。只需遍历 (2) 中的列表，这是微不足道的。

Answer 3

您可能不需要正则表达式来解决此问题，但如果您想使用它们，请尝试：

import re

pattern = re.compile('^(\w+)\D\d+\D\w+\D\d\D(\w+)')
groups = pattern.search(your_string).groups()
print groups[0] + ' 10 ' + groups[1]