01 环境与工具准备
01.1 安装 Python 与虚拟环境
在基因序列分析中，Python3 是首选语言之一，配合虚拟环境可以避免包版本冲突。通过创建独立的工作环境，可以确保分析流程的可重复性与稳定性。
下面给出常见的两种环境搭建方式，确保你对后续使用 Pandas 进行数据分析有清晰的起点：
# 使用 conda 创建独立环境
conda create -n seq_analysis python=3.11
conda activate seq_analysis
如果你更偏向于纯 Python 的管理方式，可以使用 venv：
python -m venv seq_analysis
source seq_analysis/bin/activate # macOS / Linux
seq_analysis\Scripts\activate # Windows
01.2 安装 Pandas 与常用库
为了实现高效的数据分析与可视化，Pandas 是基础库，另外还需要 Biopython 处理生物序列，以及 matplotlib/seaborn 进行可视化。
执行以下命令安装常用包：
conda install pandas biopython matplotlib seaborn
# 或使用 pip 安装
pip install pandas biopython matplotlib seaborn
安装完成后，确保在同一个环境中导入所需库以便后续步骤顺利进行，并在你喜欢的编辑器中打开一个工作目录来放置示例数据和脚本。
02 数据获取与预处理
02.1 数据来源与示例
基因序列分析通常需要 FASTA、FASTQ 或 GenBank 格式的数据。示例数据可以来自本地文件、NCBI 公共数据库或实验室产出的测序数据。对分析而言，关键字段通常包括 序列标识符、序列本身、以及序列长度等。
在本节中，我们将展示如何使用 Biopython 读取 FASTA 文件，将关键特征整理成一个 Pandas DataFrame，便于后续统计与可视化。
from Bio import SeqIO
import pandas as pdrecords = list(SeqIO.parse("example.fasta", "fasta"))
data = []
for r in records:seq = str(r.seq)data.append({"id": r.id,"length": len(seq),"sequence": seq})df = pd.DataFrame(data)
print(df.head())在这个过程中，你得到一个结构化的数据表，可以直接用于 Pandas 的各类分析任务，例如统计长度分布、GC 含量等。
02.2 数据清洗与格式转换
原始数据中可能存在重复记录、含有非标准字符的碱基、以及空序列等情况。数据清洗是任何基因序列分析的关键前置步骤。
下面展示一个简易数据清洗的思路：去重、处理 Ns、将序列信息转化为可计算的字段。
# 去重、处理空序列
df = df.drop_duplicates(subset=["id"]).reset_index(drop=True)
df = df[df["length"] > 0]# 计算 GC 含量并添加为新列
def gc_content(seq):seq = seq.upper()gc = seq.count('G') + seq.count('C')return (gc / len(seq)) * 100 if len(seq) > 0 else 0.0df["gc_content"] = df["sequence"].apply(gc_content)# 将处理后的数据导出为 CSV，便于跨工具链分析
df.to_csv("sequences_processed.csv", index=False)
print("处理完成，文件保存为 sequences_processed.csv")
注意：若你的数据量较大，建议分块处理并使用 dask 或分布式计算框架以提升性能。
03 基因序列的基础概念与Python实现
03.1 基因序列的基本概念
基因序列通常由碱基组成，常见碱基为 A、C、 G、 T，其中还可能出现未知碱基 N。理解碱基组成、序列长度以及互补链关系，是后续分析的基础。对于许多分析任务，GC 含量与长度分布是最常用的初步统计量。
在 Python 中，可以通过简单字符串处理实现对序列的基本统计等操作，并将结果汇总到 DataFrame，利用 Pandas 进行聚合分析。
本节的核心思想是：把生物信息学的问题转化为结构化的数据分析问题，通过 Pandas 进行高效处理。
本教程的名称为 本系列的标题之一：Python + Pandas 基因序列分析入门教程：从零基础到实战应用，强调从零基础到实战能力的系统培养。
03.2 用 Pandas 进行简单统计
利用 Pandas，可以对序列集合执行快速的统计分析，如计算各序列的长度、GC 含量的分布，以及描述性统计量（均值、中位数、方差等）。
下面给出一个简单的示例，展示如何用 Pandas 对已清洗的数据进行统计：
import pandas as pd# 假设 df 是已处理的 DataFrame，包含 id、length、gc_content、sequence 等列
print(df.describe(include='all').transpose())# 计算长度的分组统计，例如将长度分箱
bins = [0, 500, 1000, 5000, 10000, 50000]
labels = ["<500", "500-999", "1k-5k", "5k-10k", "10k+"]
df["length_bin"] = pd.cut(df["length"], bins=bins, labels=labels, right=False)grouped = df.groupby("length_bin").agg(mean_gc=("gc_content", "mean"),count=("id", "count")
).reset_index()print(grouped)
04 使用 Pandas 进行数据分析与可视化
04.1 数据聚合与分组统计
在大规模序列集合中，分组聚合可以揭示不同长度段或不同 GC 区间的特征差异，这对后续筛选、过滤以及报告编制至关重要。
例如，我们可以基于长度分箱，计算每个分组的平均 GC 含量、记录数量等指标，以帮助定位异常样本或偏差模式。
# 假设 df 已包含 length 和 gc_content 等列
grouped = (df.assign(length_bin=pd.cut(df["length"], bins=[0, 500, 1000, 5000, 10000, 50000])).groupby("length_bin").agg(mean_gc=("gc_content", "mean"), count=("id", "count")).reset_index()
)
print(grouped)
通过分组统计，你可以快速获得不同特征区间的概览，有助于后续分析决策。
04.2 简单可视化
可视化是沟通分析结果的重要方式。Matplotlib 与 Seaborn 提供了直观的图形表达，如直方图、箱线图、分布图等，帮助你更好地理解数据分布。
下面给出一个简单的示例，展示如何用 Pandas 直接绘制 GC 含量的直方图，以及按长度分箱的条形图。
import matplotlib.pyplot as plt
import seaborn as sns# 直方图：GC 含量分布
plt.figure(figsize=(8,4))
sns.histplot(df["gc_content"], bins=50, kde=True)
plt.title("GC content distribution")
plt.xlabel("GC content (%)")
plt.ylabel("Frequency")
plt.tight_layout()
plt.show()# 条形图：不同长度分箱的样本数量
plt.figure(figsize=(8,4))
sns.barplot(x="length_bin", y="count", data=grouped)
plt.title("Sample count by length bin")
plt.xlabel("Length bin")
plt.ylabel("Count")
plt.tight_layout()
plt.show()
05 实战案例：从 FASTA 到统计报告
05.1 从 FASTA 提取特征
在实际工作流中，你需要把原始的 FASTA 文件转化为易于分析的结构化数据。特征提取通常包括：序列长度、GC 含量、N 碱基比例、以及可能的子序列统计等。
下面的代码展示了如何从 FASTA 文件逐条提取特征并聚合成 DataFrame，以便进一步分析与报告生成。
from Bio import SeqIO
import pandas as pdrecords = SeqIO.parse("example.fasta", "fasta")
rows = []
for r in records:seq = str(r.seq)gc = (seq.upper().count('G') + seq.upper().count('C')) / len(seq) * 100 if len(seq) > 0 else 0n_count = seq.upper().count('N')rows.append({"id": r.id, "length": len(seq), "gc_content": gc, "n_count": n_count})df_features = pd.DataFrame(rows)
print(df_features.head())
05.2 生成报告
将分析结果整理成简明的报告，是把结论传递给团队的关键步骤。你可以生成 CSV、Excel 或 HTML 报告，以便同事查看与复现实验。
以下示例演示如何将特征数据导出为 CSV，并创建一个简单的统计摘要，便于快速共享与归档。
# 计算描述性统计并导出摘要
summary = df_features.describe(include='all')
summary.to_csv("feature_summary.csv")# 导出完整特征表
df_features.to_csv("sequence_features.csv", index=False)print("报告已生成：feature_summary.csv 与 sequence_features.csv")
