第1章：Python基础与环境搭建

各位朋友，咱们开始聊《Python批次质控工具详解》这门课。第一件事儿，就是把Python这个吃饭的家伙给拾掇好。你想想看，做质控处理成百上千个批次文件，如果没有一个趁手的工具，那得累死。

Python为什么适合干这个？说白了，它语法简单、生态强大，尤其处理文本和表格数据，真的是天生神力。我个人第一次接触Python是在处理一批测序数据的时候，当时用Perl写脚本写了一周，后来同事用Python两天搞定，我当场就服了。

1.1 Python简介

Python诞生于1991年，作者是Guido van Rossum。这哥们儿希望创造一门易读、易写、功能强大的语言。事实证明他做到了。

做批次质控，我们主要用到Python这几个特长：

• 文本处理：正则表达式、字符串操作、文件读写，一条龙。
• 数据分析：pandas、numpy这类库，处理表格跟玩儿似的。
• 自动化脚本：用Python遍历几百个文件，几行代码就搞定。
• 可视化：matplotlib、seaborn，出图汇报必备。

其实很多生物信息学工具，比如FastQC、MultiQC，底层都用到了Python。你学会了基础，后面看这些工具的内部逻辑，也不会觉得神秘。

1.2 安装Python

好，咱们动手安装。去官网 python.org 下载对应版本。我建议用Python 3.8以上版本，3.11、3.12都行。

安装步骤很简单，但有一个地方要特别留意——

安装时一定要勾选：
☑ Add Python to PATH

这个勾选上了，你才能在命令行直接敲 python 命令。我当时第一次装的时候就忘了勾，结果怎么敲都提示找不到命令，气得够呛。

验证安装是否成功，打开命令行（Windows用cmd，macOS/Linux用终端），敲：

python --version
Python 3.11.5

能看到版本号，说明装对了。

1.3 IDE选择：Jupyter vs VS Code

写Python代码，总得有个编辑器。我个人习惯在不同场景用不同工具。你想想看，锯木头用锯子，拧螺丝用改锥，工具选对了，干活才顺手。

做批次质控的时候，我推荐这样搭配：

• 探索阶段：用Jupyter。看看数据长什么样，哪些样本有问题，画几张分布图。
• 生产阶段：用VS Code。写成可复用的脚本或模块，配上参数解析，一劳永逸。

咱们课程里的代码，两种环境都能跑。我会尽量提供完整的脚本文件，方便你们直接复用。

1.3.1 安装Jupyter

如果你用的是Anaconda发行版，Jupyter已经预装了。否则，用pip安装：

pip install jupyter notebook
jupyter notebook

执行后浏览器会自动打开，出现文件列表界面。新建一个Python 3笔记本，就可以写代码了。

1.3.2 配置VS Code

VS Code是微软出品的免费编辑器，现在已经是Python开发的标配了。安装好之后，装几个插件：

• Python（微软官方，提供语法高亮、代码补全、调试）
• Jupyter（可以在VS Code里直接打开.ipynb文件）
• Code Runner（一键运行代码，按 Ctrl+Alt+N 就行）

然后设置一下Python解释器路径。按 Ctrl+Shift+P，输入 Python: Select Interpreter，选择你刚安装的Python版本。

1.4 基本语法快速回顾

咱们不是零基础教程，但一些关键语法还是要快速过一遍。毕竟后面写质控脚本会反复用到。

1.4.1 变量与数据类型

Python是动态类型语言，变量不需要声明类型，直接赋值就行。

# 数值
sample_count = 96
mean_quality = 35.8

# 字符串
sample_name = "SAMPLE_001"
fastq_path = "/data/raw/sample.fastq"

# 布尔值
is_pass = True
is_fail = False

# 列表
samples = ["S001", "S002", "S003"]
qualities = [35.2, 36.1, 34.8]

# 字典
sample_info = {
    "S001": {"reads": 1500000, "q30": 92.5},
    "S002": {"reads": 1200000, "q30": 88.3}
}

1.4.2 条件与循环

这两个结构是写质控脚本的核心。你会经常用到：

# 条件判断
if mean_quality >= 30:
    print(f"{sample_name} 质控通过")
    is_pass = True
elif mean_quality >= 20:
    print(f"{sample_name} 需要复查")
    is_pass = False
else:
    print(f"{sample_name} 不合格")
    is_pass = False

# for循环遍历样本
for sample in samples:
    print(f"正在处理：{sample}")

# while循环（用得少，但某些轮询场景有用）
retry = 0
while retry < 3:
    try:
        process_sample(sample)
        break
    except Exception:
        retry += 1

嗯，这里要注意：列表推导式在批量处理时特别好用。比如过滤掉不合格的样本：

pass_samples = [s for s in samples if qual_dict[s] >= 30]

一行代码替代一个for循环加if判断，简洁又高效。

1.4.3 函数与模块

写质控脚本，一定要学会封装函数。不要把所有代码都堆在全局作用域里，那样调试起来会非常痛苦。

def check_quality(fastq_path, min_q=30):
    """
    检查单个fastq文件的碱基质量
    返回：达标率
    """
    # 这里的代码我们会后续章节实现
    pass

# 调用
result = check_quality("/data/S001.fastq", min_q=30)
print(result)

模块就是 .py 文件，里面可以放多个函数。用 import 引入其他文件或第三方库。

import os
import json
import pandas as pd
from pathlib import Path

pathlib 是Python 3.4之后的路径处理神器，建议你们尽快熟悉。比原来的 os.path 好用不止一倍。

1.4.4 文件读写

做质控，读写文件是基本功。咱们最常用的是读取CSV、TSV这类表格文件：

# 传统方式（用内置csv模块）
import csv

with open("qc_results.csv", "r") as f:
    reader = csv.DictReader(f)
    for row in reader:
        print(row["sample_id"], row["q30"])

# 推荐方式（用pandas）
import pandas as pd

df = pd.read_csv("qc_results.csv")
print(df.head())

# 写入结果
df.to_csv("filtered_results.csv", index=False)

我建议你从现在开始，所有表格读写都用pandas。它不仅能读，还能做各种筛选、分组、统计，后面章节我们会大量使用。

1.5 本章总结要点

好啦，第一章的内容就到这里。说白了，这一章就是给你铺好路：

• 环境搭好：Python 3.8+，配好PATH，能跑就行。
• 工具选对：Jupyter用于探索，VS Code用于开发。
• 语法过一遍：变量、循环、函数、文件读写，后面每天都要用。
• 别怕踩坑：版本不对、路径不对、解释器选错，都是正常的。遇到问题就用搜索引擎，基本都能解决。