Skip to main content
 首页 » 编程设计

python之如何比较一个文件中的多行并输出组合条目

2024年11月01日10tuyile006

我有一个显示四列的文件:

chr开始结束成绩单

像这样:

chrI    128980  129130  F53G12.5b   
chrI    132280  132430  F53G12.5c.2   
chrI    132280  132430  F53G12.5a   
chrI    132280  132430  F53G12.5b   
chrI    132280  132430  F53G12.5c.1   
chrI    133600  133750  F53G12.5c.2   
chrI    133600  133750  F53G12.5a   
chrI    133600  133750  F53G12.5b   
chrI    133600  133750  F53G12.5c.1   
chrI    136240  136390  F53G12.4   
chrI    139100  139250  F53G12.3   
chrI    163220  163370  F56C11.2a   
chrI    163220  163370  F56C11.2b   
chrI    173900  174050  F56C11.6a   
chrI    173900  174050  F56C11.6b   
chrI    173900  174050  F56C11.6c   
chrI    182240  182390  F56C11.3   
chrI    184080  184230  Y48G1BL.2a   
chrI    190720  190870  Y48G1BL.2a   

许多区域(由 chr start end 描述)是重复的,因为它们映射到超过 1 个转录本

例如:

chrI    133600  133750  F53G12.5c.2   
chrI    133600  133750  F53G12.5a   
chrI    133600  133750  F53G12.5b   
chrI    133600  133750  F53G12.5c.1   

我想要的是一个代码,它采用相同的第 1、2、3 列的行,并从中采用第 4 列的最短公共(public)部分(在本例中为 F53G12.5)并输出一个压缩条目,即:

chrI    133600  133750  F53G12.5 

或者例如:

chrI    83280   83430   Y48G1C.10a   
chrI    90420   90570   Y48G1C.10b   
chrI    90420   90570   Y48G1C.10c   
chrI    90420   90570   Y48G1C.10a   

它应该给

 chrI    83280   83430   Y48G1C.10a   
 chrI    90420   90570   Y48G1C.10   

您对此有何建议?非常感谢

请您参考如下方法:

我怀疑这可以用 Pandas 非常整齐地完成,比这要好得多,但我对 Pandas 还不是很熟悉,所以......提交时没有调试。

def longest_identical_substring(words): 
    result = words[0] 
    for idx in range(len(words[0]), 0, -1): 
        substrings = [w[:idx] for w in words] 
        if max(substrings) == min(substrings):  
            result = substrings[0] 
        else: 
            return result 
 
transcripts = defaultdict(list) 
with open('myfile.csv') as infile: 
    reader = csv.reader(infile) 
    for row in reader: 
        transcripts[row[:3]].append(row[3]) 
for ((chr, start, end), ts) in transcripts.items(): 
    print(chr, start, end, longest_identical_substring(ts))