如何用Pandas读取含冗余换行符的FASTA计算生物学数据集？

嘿，这个问题我太熟了！FASTA里这种把序列拆成多行（通常80字符一行）的情况确实很常见，但Pandas的默认读取函数（比如read_csv）没办法直接识别这种格式——它会把每一行都当成单独的记录，肯定会乱套。不过咱们可以用两种思路解决：

方法一：先预处理FASTA文件，再导入Pandas #

先写个小脚本把每条记录的多行序列合并成一行，让每条记录变成>ID 序列（用制表符分隔）的单行格式，之后再用Pandas读取。比如：

# 预处理FASTA文件
with open("input.fasta", "r") as infile, open("processed.fasta", "w") as outfile:
    current_seq = []
    for line in infile:
        line = line.strip()
        if not line:
            continue
        if line.startswith(">"):
            # 写入上一条记录的完整序列
            if current_seq:
                outfile.write("".join(current_seq) + "\n")
                current_seq = []
            outfile.write(line + "\t")  # 用制表符分隔ID和后续序列
        else:
            current_seq.append(line)
    # 写入最后一条记录的序列
    if current_seq:
        outfile.write("".join(current_seq) + "\n")

# 用Pandas读取处理后的文件
import pandas as pd
df = pd.read_table("processed.fasta", sep="\t", names=["id", "sequence"])

方法二：直接读取并构建DataFrame（无需中间文件） #

如果不想生成中间文件，咱们可以直接逐行读取FASTA，把同一记录的序列片段拼接起来，最后转成DataFrame。这种方法更高效，尤其适合大文件：

import pandas as pd

records = []
current_id = None
current_sequence = []

with open("your_data.fasta", "r") as f:
    for line in f:
        stripped_line = line.strip()
        # 跳过空行
        if not stripped_line:
            continue
        # 遇到新的记录ID
        if stripped_line.startswith(">"):
            # 如果之前有未保存的记录，先存进列表
            if current_id is not None:
                records.append({
                    "id": current_id,
                    "sequence": "".join(current_sequence)
                })
            # 更新当前ID，去掉开头的">"符号
            current_id = stripped_line[1:]
            current_sequence = []
        else:
            # 拼接当前记录的序列片段
            current_sequence.append(stripped_line)
    # 处理最后一条未保存的记录
    if current_id is not None:
        records.append({
            "id": current_id,
            "sequence": "".join(current_sequence)
        })

# 转成Pandas DataFrame
fasta_df = pd.DataFrame(records)

这样处理后，你就得到了一个整洁的DataFrame，每一行对应一条FASTA记录，包含id和sequence两列，完全没有冗余换行的问题啦！

内容的提问来源于stack exchange，提问作者billyc59