FASTA文件转二维列表时ID拼接异常问题排查求助

我想编写程序将FASTA文件转换为关联ID与序列的二维列表：先将文本拆分为行列表，创建与文件中ID数量一致的二维列表（每个子列表含两个空字符串）；遍历行时，将ID拼接到对应子列表的第一个元素，用变量j跟踪当前子列表索引。但拼接时出现异常：所有之前的ID会被累加进当前字符串，j的递增是正常的。使用strings_list[j][0] = strings_list[j][0] + lines[i]无法正常工作，而直接赋值strings_list[j][0] = lines[i]可以，但我无法理解strings_list[j][0]为何会保留之前的值。由于序列需要保留历史值，我需要排查该拼接语句的问题。

完整代码 #

def dna_processing(filename):
    f = open(filename, 'r')
    txt = f.read()
    f.close()
    lines = txt.split('\n')


    seq_num = 0

    for i in range(len(lines)):

        if lines[i] == '':
            del lines[i]
        elif lines[i][0] == '>':
            seq_num = seq_num + 1

    strings_list = [['', '']] * seq_num

    j = 0
    for i in range(len(lines)):
        if lines[i][0] == '>':
            strings_list[j][0] = strings_list[j][0] + lines[i]
            j = j + 1

        #else:
            #strings_list[j-1][1] = strings_list[j-1][1] + lines[i]





dna_processing('rosalind_grph.txt')

输入示例 #

>Rosalind_5931
AGAATAGGAAGCGCCGTGTTGAAATATAAGAGCACCCCAGACGTGTACTTTGTGTTGGTC
TCTGGCGACCATTCTGTGCGGT
>Rosalind_7410
GAACCTAAGGTCCATCGTCATAACTGCGACCCTACAAACAGATGGTTTCATGTGAAATAA
GTTAGGAACCAGAAAATCATAGCAGACGTA
>Rosalind_0759
GTTTGCATTAGTTCCTCGGGGTCACTCTCCTAGCTATATTGCATAATAACCAGGTGGCTC
CCGTTATGGCCCAAGACACTTGTTGGTAG
>Rosalind_6944
TACGCCGCCATAACAGGGTCCGAGCCGCAAGGTTGGTCCACCGTACTCCAACCATGGCTA
TCAAACGGTTGCAGAGCCACCGAACTGGGCG
>Rosalind_2801
GCTTTCAGGCTAAACCGACATGGTCCCCAATACTTTTAAGATCGGAGTCAAGGTTAAGAG
TGTGGCGTGTTAGCGGCCCTCA

问题原因与解决办法 #

核心问题：列表引用复用 #

你的代码里strings_list = [['', '']] * seq_num这行是关键错误。用*创建列表时，并不会生成seq_num个独立的['', '']子列表，而是让所有子列表都指向同一个内存对象。也就是说，strings_list[0]、strings_list[1]、...、strings_list[seq_num-1]其实是同一个列表的引用。

所以当你执行strings_list[j][0] += lines[i]时，你修改的是这个共享子列表的第一个元素，所有其他子列表的第一个元素都会同步变化。这就导致每次拼接ID时，所有之前的ID都会被累加进去——因为它们本质上是同一个字符串变量。

而直接赋值strings_list[j][0] = lines[i]时，你是把这个共享子列表的第一个元素替换成了新的字符串对象，所以看起来“正常”，但实际上其他子列表的第一个元素也会被改成这个新值，只是你没后续操作其他子列表，所以没发现问题。

解决办法：创建独立子列表 #

把创建二维列表的代码改成列表推导式，这样每个子列表都是全新的独立对象：

strings_list = [['', ''] for _ in range(seq_num)]

这个写法会循环seq_num次，每次都生成一个新的['', '']列表，互相之间没有引用关联，修改其中一个不会影响其他子列表。

额外优化点 #

1. 文件操作更安全：用with语句自动管理文件关闭，避免手动关闭可能出现的遗漏：

   with open(filename, 'r') as f:
       lines = [line.strip() for line in f if line.strip()]
   

2. 过滤空行更高效：原代码中遍历lines删除空行的方式会导致索引错乱（删除元素后后续元素前移，下一次循环会跳过元素），用列表推导式直接过滤空行更可靠。
3. 统计ID数量更简洁：用sum()结合生成器表达式统计ID行数，比循环计数更直观：

   seq_num = sum(1 for line in lines if line.startswith('>'))
   

4. 遍历行更直观：直接用for line in lines遍历，不需要通过索引i访问，代码更简洁易读。

修正后的完整代码 #

def dna_processing(filename):
    # 读取文件并过滤空行
    with open(filename, 'r') as f:
        lines = [line.strip() for line in f if line.strip()]
    
    # 统计ID数量
    seq_num = sum(1 for line in lines if line.startswith('>'))
    # 创建独立的二维列表
    strings_list = [['', ''] for _ in range(seq_num)]
    
    j = 0
    for line in lines:
        if line.startswith('>'):
            strings_list[j][0] += line
            j += 1
        else:
            # 拼接序列
            strings_list[j-1][1] += line
    
    return strings_list

# 测试并输出结果
result = dna_processing('rosalind_grph.txt')
for idx, (seq_id, sequence) in enumerate(result):
    print(f"序列{idx+1}:")
    print(f"ID: {seq_id}")
    print(f"序列: {sequence}\n")

内容的提问来源于stack exchange，提问作者eclare