前五课，我们已经能够写出真正的 sequence-processing loop：
seq = ”ATGCGT”k = 3kmers = []for i in range(len(seq) - k + 1): kmer = seq[i:i + k] kmers.append(kmer)print(kmers)
这段代码完全正确，而且非常重要。
现在 Lesson 06 要做的不是推翻它，而是认识 Python 中一种极其常见的模式：
建立空容器↓for 遍历↓计算一个结果↓append 到容器
当逻辑足够简单时，Python 通常会把它写成 comprehension。
例如上面的 k-mer：
kmers = [ seq[i:i + k] for i in range(len(seq) - k + 1)]kmers
这就是这一课的核心。
不过有一条原则要从一开始就明确：
Pythonic 不等于“代码越短越好”。
我们真正关心的是：
哪种写法最直接地表达这段代码想做什么。
1. List comprehension：把“循环 + 收集结果”写在一起
1.1 从普通 for 到 list comprehension
先看普通写法：
reads = [ ”ATGCGT”, ”ATCC”, ”GGGAAA”]lengths = []for read in reads: lengths.append(len(read))print(lengths)
这里的逻辑其实只有一句话：
对每条 read 计算 len(read)，把结果放进一个 list。
所以 Python 可以写：
lengths = [len(read) for read in reads]print(lengths)
基本结构是：
[ expression for item in iterable]
也就是：
对 iterable 中的每个 item↓计算 expression↓收集到新的 list
假如想把reads全部变成大写：
reads = [”atgcgt”, ”atcc”, ”gggaaa”]
普通 for：
upper_reads = []for read in reads: upper_reads.append(read.upper())print(upper_reads)
comprehension:
upper_reads = [read.upper() for read in reads]print(upper_reads)
所以你可以先把 list comprehension 理解成：
的一种紧凑表达。
1.2 和 R 的思维对照
对你来说，这个概念其实不会陌生。
R 中：
reads <- c(”ATGC”, ”GGAA”, ”ATCG”)nchar(reads)
可以直接得到每条 sequence 的长度，因为很多 R 函数本身就是 vectorized 的。
Python list：
reads = [”ATGC”, ”GGAA”, ”ATCG”]
不是 R vector，所以不能假定：
因为它问的是：
这个 list 有多少个元素？
要计算每个元素的长度：
[len(read) for read in reads]
2. 在 comprehension 中筛选元素
2.1 for ... if ...：只保留满足条件的对象
在 comprehension 末尾加入 if，可以只收集满足条件的元素。
reads = [ ”ATGCGT”, ”ATGC”, ”GGCCAATT”, ”AT”, ”CCGTA”]
只保留长度至少为 5 的 reads。
普通写法：
long_reads = []for read in reads: if len(read) >= 5: long_reads.append(read)print(long_reads)
comprehension:
long_reads = [ read for read in reads if len(read) >= 5]long_reads
结构是：
[ expression for item in iterable if condition]
阅读时不要从左到右机械翻译。
可以按照这个顺序理解：
for read in reads ↓if len(read) >= 5 ↓保留 read
再比如过滤掉含 N 的 reads：
reads = [ ”ATGCGT”, ”ATGCNT”, ”GGCCAA”, ”NNNNNN”]
valid_reads = [ read for read in reads if ”N” not in read]print(valid_reads)
2.2 筛选和转换可以同时进行
例如：
只处理没有 N 的 read，然后计算长度。
length = [ len(read) for read in reads if ”N” not in read]print(length)
3. 两种 if 不要混淆：筛选 vs if/else 转换
这是 list comprehension 最容易写乱的地方之一。
3.1 只有 if：表示筛选
numbers = [1, 2, 3, 4, 5]
只保留偶数：
even_numbers = [ x for x in numbers if x % 2 == 0]print(even_numbers)
所以：
... for x in data if condition
表达的是：
filter
3.2 if ... else ...：每个元素都保留，但决定产生什么结果
例如给 read 打标签：
reads = [ ”ATGCGT”, ”ATGC”, ”GGCCAATT”]
如果长度至少为 5：pass，否则 short
labels = [ ”pass” if len(read) >=5 else ”short” for read in reads]labels
筛选：
[ read for read in reads if len(read) >= 5]
而 conditional expression：
[ ”pass” if len(read) >=5 else ”short” for read in reads]
因为：
”pass” if condition else ”short”
本身就是一个完整的 expression。
类似：
如果条件成立，expression 的结果是 ”pass”否则结果是 ”short”
4. 把 comprehension 用到 sequence algorithm
这一部分比拿 [x * 2 for x in numbers] 举例重要得多。
4.1 一行生成所有 k-mer
Lesson 05 我们写过：
seq = ”ATGCGT”k = 3kmers = []for i in range(len(seq) - k + 1): kmer = seq[i:i+k] kmers.append(kmer)print(kmers)
List comprehension 可以直接把每一个滑动窗口收集为 k-mer。
kmers = [ seq[i:i+k] for i in range(len(seq) - k + 1)]print(kmers)
甚至可以写成一行：
kmers = [seq[i:i+k] for i in range(len(seq) - k + 1)]print(kmers)
4.2 找出所有 motif positions
Lesson 05：
seq = ”GATATATGCATATACTT”motif = ”ATAT”positions = []for i in range(len(seq) - len(motif) + 1): if seq[i:i + len(motif)] == motif: positions.append(i + 1)positions
Comprehension 可以收集所有满足 motif 匹配条件的位置。
positions = [ i + 1 for i in range(len(seq) - len(motif) + 1) if seq[i:i+len(motif)] == motif]positions
4.3 什么时候 range() 仍然是正确选择？
上一课我们说：
for i, base in enumerate(seq):
通常比：
for i in range(len(seq)): base = seq[i]
更自然。
但不要因此形成：
range(len(...)) 永远是不 Pythonic 的。
比如 k-mer：
我们真正需要的是：
每一个合法的 window start index
所以：
就是非常自然的写法。
我真正需要的是元素，还是位置？
如果只需要元素：
需要：
使用：
需要：
一系列 window start positions
使用
这才是 Pythonic iteration 真正应该建立的判断能力。
5. Dictionary 和 Set comprehension
Comprehension 不只可以创建 list。
Python 也提供：
list comprehensiondict comprehensionset comprehension
5.1 Dictionary comprehension：生成 key: value
例如：
sequences = { ”seq1”: ”ATGCGT”, ”seq2”: ”ATCC”, ”seq3”: ”GGGAAA”}
我们想建立：
sequence ID → sequence length
普通写法：
lengths = {}for seq_id, seq in sequences.items(): lengths[seq_id] = len(seq)print(lengths)
Dictionary comprehension：
lengths = { seq_id: len(seq) for seq_id, seq in sequences.items()}print(lengths)
基本结构：
{ key_expression: value_expression for item in iterable}
和 list comprehension 最大的区别只是：
list→ 收集 expressiondict→ 收集 key: value
还可以加入筛选。
例如：
只保存长度至少为 5 的 sequence。
long_sequences = { seq_id: seq for seq_id, seq in sequences.items() if len(seq) >= 5}print(long_sequences)
5.2 Set comprehension：自动得到 unique elements
例如：
生成所有 unique 2-mers：
unique_kmers = { seq[i:i+k] for i in range(len(seq) - k +1)}print(unique_kmers)
Set comprehension: {read for read in reads}
dictionary comprehension: {seq_id: seq for seq_id, seq in sequences.items()}
kmers = [”ATG”, ”TGC”, ”ATG”, ”GCG”, ”TGC”]unique_kmers = {kmer for kmer in kmers}print(unique_kmers)
6. enumerate()、zip() 与 comprehension 怎么配合？
Lesson 05 已经认识了这两个工具。这一课主要解决“什么时候选哪个”。
6.1 enumerate()：需要“位置 + 元素”
例如:
想得到：
[ (0, ”A”), (1, ”T”), (2, ”G”), (3, ”C”)]
可以：
positions = [ (i, base) for i, base in enumerate(seq)]print(positions)
如果只想找到所有 "G" 的位置：
seq = ”ATGGC”g_positions = [ i for i, base in enumerate(seq) if base == ”G”]print(g_positions)
6.2 zip()：需要“多个 iterable 按位置配对”
例如：
seq_ids = [”seq1”, ”seq2”, ”seq3”]sequences = [”ATGC”, ”GGAA”, ”ATCGT”]
可以建立 dictionary：
seq_dict = { seq_id: seq for seq_id, seq in zip(seq_ids, sequences)}print(seq_dict)
当然这里其实还有一个更直接的写法：
seq_dict = dict(zip(seq_ids, sequences))print(seq_dict)
可以先建立这张表：
| |
|---|
| for item in data |
| enumerate(data) |
| zip(a, b) |
| range(...) |
| range(...) |
7. Comprehension 不等于 vectorization
这一点我想专门强调，因为对 R 用户非常重要。
你可能看到
lengths = [len(read) for read in reads]
觉得：
这是不是 Python 的 vectorized operation？
不是。
List comprehension 本质上仍然是在逐个迭代元素。
概念上它仍然类似：
lengths = []for read in reads: lengths.append(len(read))
只是 Python 提供了一种更适合表达：
的语法。
真正到了 NumPy，我们才会看到另一种完全不同的思维：
import numpy as npx = np.array([1, 2, 3])x * 2
这里才更加接近你熟悉的 R vectorization。
因此目前最好区分：
Python list comprehension→ iterationNumPy array operation→ vectorization
8. 什么时候应该用 comprehension，什么时候继续写普通 for？
这是这一课真正比“会写语法”更重要的地方。
适合 comprehension：一个简单的转换
例如：
lengths = [len(read) for read in reads]
非常清楚：
每条 read → length
valid_reads = [ read for read in reads if ”N” not in read]
非常自然：
从 reads 中选出不含 N 的。
lengths = [ len(read) for read in reads if ”N” not in read]
但是下面这些情况，通常继续写普通 for 更好。
例如：
for read in reads: gc_count = read.count(”G”) + read.count(”C”) gc_content = gc_count / len(read) if gc_content > 0.6: print(read, gc_content)
硬压成一行不会更 Pythonic，只会更难读。
例如 nucleotide counting：
counts = { ”A”: 0, ”C”: 0, ”G”: 0, ”T”: 0}for base in seq: counts[base] += 1
这就是很好的普通 loop。
不应该为了“所有循环都改成 comprehension”而强行改写。
后面我们会学：
Counter(seq)
那是因为已经有一个更合适的数据结构工具，不是因为 for 不好。
例如：
for read in reads: print(read)
不要写：
[print(read) for read in reads]
虽然 Python 可以执行，但这不是好的用法。
为什么？
因为 comprehension 的语义应该是：
创建一个新的 collection。
而这里我们的真实目的只是：print
并不想创建 list。
普通 for 反而最清楚。
例如：
for base in seq: if base == ”N”: print(”Invalid sequence”) break
普通 for 就非常自然。
不要为了省几行代码把控制逻辑塞进复杂 expression。
所以最终可以记成：
简单的transform / filter / collect ↓comprehension复杂的logic / state / side effect / control flow ↓普通 for
9. 一个综合例子：从 reads 到 QC 后的 k-mers
现在把前六课连起来。
给定：
reads = [ ”ATGCGT”, ”ATGCNT”, ”GGCCAA”, ”AT”, ”ATGCGT”]
我们的第一步是：
去掉含 N 的 reads，并且只保留长度至少为 3 的 reads。
clean_reads = [ read for read in reads if ”N” not in read and len(read) >= 3]print(clean_reads)
如果只是想得到 unique reads：
unique_reads = set(clean_reads)unique_reads
然后，对于一条 sequence：
seq = ”ATGCGT”k=3kmers = [ seq[i:i+k] for i in range(len(seq) - k + 1)]kmers
再得到 unique k-mers：
unique_kmers = set(kmers)unique_kmers
10. 本课练习
这一课我仍然只留几道真正值得写的。
Exercise A｜普通 for → comprehension
给定：
reads = [ ”ATGCGT”, ”ATCC”, ”GGGAAA”, ”A”]
先用普通 for 得到每条 read 的长度，然后改写为list comprehension
read_len = []for read in reads: read_len.append(len(read))read_len
read_len = [ len(read) for read in reads]read_len
Exercise B｜筛选 reads
仍然使用：
reads = [ ”ATGCGT”, ”ATGCNT”, ”GGCCAA”, ”NNNNNN”, ”AT”]
用一个 list comprehension，只保留：
不含 N 并且 长度 >= 5
clean_reads = [ read for read in reads if ”N” not in read and len(read) >= 5]clean_reads
Exercise C｜if 筛选和 if/else 转换
给定：
reads = [ ”ATGCGT”, ”AT”, ”GGCCAA”]
分别写两个 comprehension。
第一个：
只保留长度 >= 5 的 read
第二个：
每条 read 都保留，长度 >= 5 → "pass" 否则 → "short"
然后解释：
为什么两个 comprehension 中 if 的位置不同？
[ read for read in reads if len(read) >= 5]
[ ”pass” if len(read) >= 5 else ”short” for read in reads]
因为第一个是筛选read，第二个只是定义label，没有对read进行筛选。并且"pass" if len(read) >= 5 else "short"本身就是一个expression，
Exercise D｜k-mer composition
给定：
使用 list comprehension 生成所有 5-mer。
不要先运行。
先回答：
sequence length = ? k = 5
应该产生多少个 k-mer？
使用：
n - k + 1
自己预测结果数量。
然后再写代码。
[ seq[i:i+k] for i in range(len(seq) - k + 1)]
Exercise E｜Motif positions
给定：
seq = ”GATATATGCATATACTT”motif = ”ATAT”
使用 list comprehension 找到所有：
1-based motif positions
要求最终得到一个：
positions = [...]
而不是直接 print()。
positions = [ i + 1 for i in range(len(seq) - len(motif) + 1) if seq[i:i+len(motif)] == motif]positions
Exercise F｜Dictionary comprehension
给定：
sequences = { ”seq1”: ”ATGCGT”, ”seq2”: ”ATCC”, ”seq3”: ”GGGAAA”}
建立：
lengths
让结果表示：
seq_id → sequence length
然后进一步只保留：
length >= 5
的sequence。
seq_len = { seq_id: len(seq) for seq_id, seq in sequences.items()}seq_len
long_seq = { seq_id:seq for seq_id, seq in sequences.items() if len(seq) >= 5}long_seq
10个月宝宝每天需要喝多少奶粉？