使用正则表达式进行类型验证

Question

我说要学习正则表达式，我正在尝试使用它来解决问题。我需要编写一个获取 VCF 文件的函数，并且需要检查文件中的某些列，看看它们是否符合要求。

第一列应以“chr”开头，以 1-99 之间的任意数字或字母“M,X,Y”中的一个结尾。第二列必须是大于 0 的所有 int 数字。第 4 和第 5 列需要是下一个字母“ATCG”之一（只有一个）。如果其中一个陈述即使在一行中也是错误的，它应该 return false.

这是我写的代码：

def isVCF(file):
    with open(file, "r+") as my_file:
        lines = my_file.readlines()
        for line in lines:
            columns = line.split("\t")
        num_format = re.compile("^[+]?[1-9][0-9]*\.?[0-9]+$")
        if (re.match(r"^chr(?:[1-9][0-9]?|[XYM])$", columns[0]) 
            and re.match(num_format, columns[1])
            and re.match(r"^[ATGC]$", columns[3]) 
            and re.match(r"^[ATGC]$", columns[4])): 
            return True
        else:
            return False

我检查了两个文件 - 一个应该 return True，另一个应该是 False，但是我在两个文件上都得到了 True，所以我尝试逐行进行测试，但仍然得到 True。文件示例：

ChrX, 74226650, ., T, C, 50, ., DP=385;VDB=0;SGB=-0.693147;RPB=0.982669;MQB=1;BQB=0.947576;MQ0F=0;AC=2;AN=2;DP4=0,95,0,289;MQ=20, GT:PL:DP, 1/1:78,127,0:384

输出应该是 true 还是 false 取决于条件。

感谢任何帮助！

Answer 1

您需要一一解决的问题：

第一列应以 chr 开头，以 1-99 之间的任意数字或字母 M,X,Y - chr(?:0?[1-9]|[1-9][0-9]|[MXY])
第二列必须是大于0的所有整数 - 0*[1-9][0-9]*
第4和第5列需要是下一个字母“ATCG”之一（只有一个） - [ATCG].

现在，考虑到列分隔符是您在代码示例中使用的分隔符（制表符，\t），您可以使用

def isVCF(file):
    num_format = re.compile(r"^chr(?:0?[1-9]|[1-9][0-9]|[MXY])\t0*[1-9][0-9]*\t[^\t]*(?:\t[ATCG]){2}\t", re.I)
    with open(file, "r+") as my_file:
        for line in my_file:
            if not num_format.match(line):
                return False
        return False

参见regex demo。

请注意，我使用 re.I 来启用不区分大小写，因为如果您只需要匹配 Chr 和 chr 这样，删除 re.I 并将 chr 替换为 (?i:chr).

详情:

^ - 字符串开头
chr（第 1 列开始）- chr 字符串
(?:0?[1-9]|[1-9][0-9]|[MXY])（第 1 列结尾）：一个可选的 0，然后是一个非零数字，或者从 1 到 9 的一个数字，然后是任何数字一个数字 (0 - 99)，或来自 MXY 集合
\t - 一个标签
0*[1-9][0-9]*（第 2 列）：零个或多个 0，一个非零数字，然后是任何零个或多个数字
\t - 一个标签
[^\t]*（第 3 列）- 制表符以外的任何零个或多个字符
(?:\t[ATCG]){2}（第 4 列和第 5 列）- 选项卡，来自 ATCG 集的字母，两次
\t - 一个标签。

使用正则表达式进行类型验证

Using regex for type validation

python

regex

boolean

function