我设计了一个小脚本,从原始文件中对 x 行进行子采样。原始文件是 fasta,每个序列有两行,程序提取这 x 个序列(这两行一起)。这是它的外观:
#!/usr/bin/env python3
import random
import sys
# How many random sequences do you want?
num = int(input("Enter number of random sequences to select:\n"))
# Import arguments
infile = open(sys.argv[1], "r")
outfile = open(sys.argv[2], "w")
# Define lists
fNames = []
fSeqs = []
# Extract fasta file into the two lists
for line in infile:
if line.startswith(">"):
fNames.append(line.rstrip())
else:
fSeqs.append(line.rstrip())
# Print total number of sequences in the original file
print("There are "+str(len(fNames))+" in the input file")
# Take random items out of the list for the total number of samples required
for j in range(num):
a = random.randint(0, (len(fNames)-1))
print(fNames.pop(a), file = outfile)
print(fSeqs.pop(a), file = outfile)
infile.close()
outfile.close()
input("Done.")
带有 ID 和核苷酸(分别为第 1 行和第 2 行)的列表的创建过程非常快,但打印出来需要很长时间。被提取的数字可以达到 2M,但从 10000 开始变慢。
我想知道是否有任何方法可以使它更快。是.pop
问题吗?如果我先创建唯一数字的随机列表然后提取它们会更快吗?
最后,终端在打印后没有回到“正常完成状态” Done.
,我不知道为什么。使用我的所有其他脚本,我可以在它们完成后立即输入。