Python读取CSV按行匹配基因引物对筛选fastq文件的逻辑修复

• 目标目录下存放大量命名符合gene_primer_otherinfo.fastq.gz格式的fastq压缩文件
• 目录上级存放64行的引物组合CSV文件，记录所有需要保留的Gene与Reverse_primer配对关系，CSV结构如下：

• 当前阶段仅需实现合法/非法配对的识别功能，后续需将非法配对文件移动至单独文件夹
• 文件名示例：
  • 需保留的合法文件：gene1-R1.1_ID_R1.fastq.gz、gene1-R2.1_ID_R1.fastq.gz、gene2-R1.2_ID_R1.fastq.gz
  • 需移除的非法文件：gene1-R1.2_ID_R1.fastq.gz、gene1-R2.2_ID_R1.fastq.gz、gene2-R1.1_ID_R1.fastq.gz
• 现有故障：文件名拆分逻辑运行正常，但代码未按行绑定基因和引物的配对关系，仅单独判断两个字段是否存在于对应列，导致所有文件都被判定为合法。脚本存放在目标目录上级运行，可正常读取文件名、提取基因和引物信息。

原判断逻辑存在两处致命错误：

1. 对pandas列做相等判断返回的是布尔序列，没有要求「基因匹配」和「引物匹配」两个条件在CSV同一行同时成立，会出现跨条目的错配
2. 判断条件外层额外包裹了方括号，将布尔序列转为非空列表，Python中非空列表的布尔值永远为True，因此所有文件都会走到okay分支

import pandas as pd
import os
import re

folder = "sandbox6"
# 读取CSV后将合法的(基因,引物)配对存入集合，查询效率高且不会出现配对错位
bc = pd.read_csv("primer_combinations.csv")
valid_pairs = set(zip(bc['Gene'].str.lower(), bc['Reverse_primer']))
exceptions = []

for root, dirs, files in os.walk(folder):
    for file in files:
        # 跳过非fastq.gz格式的无关文件
        if not file.endswith(".fastq.gz"):
            continue
        try:
            split_fname = re.split(r"(\w+)-(\w+\.\d)(_\w+_)(R\d)\.fastq\.gz", file)
            gene, primer = split_fname[1].lower(), split_fname[2]
            # 直接判断提取到的配对是否在合法集合中，严格校验配对关系
            if (gene, primer) in valid_pairs:
                print(file, gene, primer, 'okay')
            else:
                print(file, gene, primer, 'invalid combination')
        except:
            exceptions.append(file)
            continue

print("文件名解析异常的文件列表：", exceptions)

• 提前用zip将CSV同一行的基因和引物绑定为元组存入集合，从根源上避免跨条目错配
• 删除了原判断条件外层多余的方括号，直接做集合成员判断，逻辑准确
• 对基因名字段统一做小写转换，兼容CSV中大写Gene、文件名中小写gene的大小写差异，避免误判
• 正则字符串添加raw前缀，转义逻辑更规范，减少匹配异常
• 增加文件后缀过滤，跳过目录下无关文件

内容的提问来源于stack exchange，提问作者Joy P