计算的结果和大家差太多，晚上回来重新看了一遍，发现我没有注意range区间的开闭，所以每个外显子都少算了有一位，把这一位加上之后，长度还是差很多。用群里小伙伴的代码，在自己电脑上试了一下，发现我之前计算的外显子个数少了大概1/3.重新下载了文件，计算，结果就差不多了。
    之前的文件，是直接用finalshell上传的，估计，some how，没传完整。
    修改arange区间

    1. for i in range(len(genom_exon)):
    2.     print(i)
    3.     #i = 14
    4.     base_pool_i = []
    5.     data_chrom = genom_exon[i]
    6.     for i in range(len(data_chrom)):
    7.         #print(i)
    8.         if re.match('^d',data_chrom[i]) or re.match('^e',data_chrom[i]):
    9.             pass
    10.         else:
    11.             exon_i = data_chrom[i].split('#')[0].split('-')
    12.             print(exon_i)
    13.             exon_temp = [int(x) for x in exon_i]
    14.             if len(exon_temp) < 2:
    15.                 base_i = set(exon_temp)
    16.                 base_pool_i.append(base_i)
    17.             else:
    18.                 base_temp = np.arange(exon_temp[0],exon_temp[1]+1)
    19.                 base_i = set(base_temp)
    20.                 base_pool_i.append(base_i)  ## append set 运算非常快
    21.     genome_base.append(base_pool_i)
    23.     ## 最终计算结果：35365900 就对啦

    此外附上两位小伙伴的代码, 比我写的好太多。

    1. import re
    3. chr_pos = set()#定义set数据,目的去重
    4. exon_list = []
    5. with open("CCDS.current.txt", 'r') as file:
    6.     for line in file:
    7.         if re.match('^#',line): 
    8.             continue #跳过首行
    9.         line = line.split("\t")
    10.         if line[9] != "-":#pass掉第10列为"-"的数据行
    11.             chr = line[0] #获得该行数据的染色体编号
    12.             exons = line[9].lstrip("[").rstrip("]").split(", ") #去掉字符串[],以", "切割字符串,得到exons列表
    13.             for exon in exons:#对切割得到的exons列表进行循环
    14.                 if re.match('^c',exon):
    15.                     continue
    16.                 exon=exon.split("#")[0].split('-')
    17.                 exon_list.append(exon)
    18.                 # print(exon)
    19.                 if len(exon) ==1:
    20.                     continue
    21.                 for i in range(int(exon[0]),int(exon[1])+1):
    22.                     chr_pos.add(line[0]+":"+str(i))#依据染色体号:外显子坐标，利用set数据去重
    24. print(len(chr_pos))
    25. ## 结果：35185772
    26. ## len(exon_list) 499022

    另一个

    1. base_pos = set()   ## 以集合来存储所有非重复位置位置
    3. with open("./CCDS.current.txt", "r") as f:
    4.     for line in f:
    5.         if line.startswith("#"):    ## 跳过首行
    6.             continue
    7.         items = line.split("\t")    ## 以\t 分割每一行
    8.         if items[9] != "-":         ## 第10行exon列表类似 “[26064-26224, 26564-26595]”，有些是 “-” 跳过
    9.             chrN = items[0]          
    10.             exon_ls = items[9][1:-1].split(",")
    11.             for exon in exon_ls:
    12.                 s, e = exon.split("-")
    13.                 exon_pos = {f"{chrN}:{i}" for i in range(int(s), int(e)+1)}
    14.                 base_pos.update(exon_pos)
    16. print("总长： ", len(base_pos))

    What I learned:

    1. set 的 add 和update用法
    2. 对于set这种数据结构，一个个向里面扔元素比取并集要快
    3. 读入数据的方法： read（），readlines（），read（size）
    4. 有的时候一行行读入，处理，比一次性全读入再处理要快
    5. numpy中flatten（）的用法
    6. KISS: keep it simple, stupid!