1

我有一个大文件，我想以某种方式对其进行格式化。文件输入示例：

DVL1    03220   NP_004412.2 VANGL2  02758   Q9ULK5  in vitro    12490194
PAX3    09421   NP_852124.1 MEOX2   02760   NP_005915.2 in vitro;yeast 2-hybrid 11423130
VANGL2  02758   Q9ULK5  MAGI3   11290   NP_001136254.1  in vitro;in vivo    15195140

这就是我希望它变成的样子：

DVL1    03220   NP_004412   VANGL2  02758   Q9ULK5
PAX3    09421   NP_852124   MEOX2   02760   NP_005915
VANGL2  02758   Q9ULK5  MAGI3   11290   NP_001136254

总结一下：

  • 如果该行有 1 个点，则删除该点及其后面的数字并添加一个 \t，因此输出行将只有 6 个制表符分隔值
  • 如果该行有 2 个点，则将这些点连同它们后面的数字一起删除并添加一个 \t，因此输出行将只有 6 个制表符分隔值
  • 如果该行没有点，则保留前 6 个制表符分隔值

我的想法目前是这样的：

for line in infile:
    if "." in line: # thought about this and a line.count('.') might be better, just wasn't capable to make it work
        transformed_line = line.replace('.', '\t', 2) # only replaces the dot; want to replace dot plus next first character
        columns = transformed_line.split('\t')
        outfile.write('\t'.join(columns[:8]) + '\n') # if i had a way to know the position of the dot(s), i could join only the desired columns
    else:
        columns = line.split('\t')
        outfile.write('\t'.join(columns[:5]) + '\n') # this is fine

希望我能解释清楚。谢谢你们的努力。

4

4 回答 4

3 
import re
with open(filename,'r') as f:
    newlines=(re.sub(r'\.\d+','',old_line) for old_line in f)
    newlines=['\t'.join(line.split()[:6]) for line in newlines]

现在您有一个删除了“.number”部分的行列表。据我所知，您的问题并没有受到足够的限制，无法使用正则表达式在 1 遍中完成整个工作，但它可以在 2 遍中工作。

于 2012-07-13T16:34:03.393 回答
2

你可以尝试这样的事情：

    with open('data1.txt') as f:
        for line in f:
            line=line.split()[:6]
            line=map(lambda x:x[:x.index('.')] if '.' in x else x,line)  #if an element has '.' then
                                                                         #remove that dot else keep the element as it is
            print('\t'.join(line))

输出：

DVL1    03220   NP_004412   VANGL2  02758   Q9ULK5
PAX3    09421   NP_852124   MEOX2   02760   NP_005915
VANGL2  02758   Q9ULK5  MAGI3   11290   NP_001136254

编辑：

正如@mgilson 建议的那样，该行line=map(lambda x:x[:x.index('.')] if '.' in x else x,line)可以简单地替换为line=map(lambda x:x.split('.')[0],line)

于 2012-07-13T16:35:58.047 回答
1

我想有人应该用一个正则表达式来做到这一点，所以......

import re
beast_regex = re.compile(r'(\S+)\s+(\S+)\s+(\S+?)(?:\.\d+)?\s+(\S+)\s+(\S+)\s+(\S+?)(?:\.\d+)?\s+in.*')
with open('data.txt') as infile:
    for line in infile:
        match = beast_regex.match(line)
        print('\t'.join(match.groups())
于 2012-07-13T16:39:17.130 回答
0

你可以用一个简单的正则表达式来做到这一点：

import re
for line in infile:
    line=re.sub(r'\.\d+','\t',line)
columns = line.split('\t')
outfile.write('\t'.join(columns[:5]) + '\n')

这取代了任何“。” 后跟一个或多个带制表符的数字。

于 2012-07-13T16:43:05.570 回答