Python - 比较 2 个文件中的列并返回合并输出

Question

我有一个看似简单的问题，但现在卡在它上面太久了。我想比较两个文件（格式如下）

> file1
20  246057  0.28    68363   0   A
20  246058  0.28    68396   T   C
20  246059  0.28    76700   A   G
20  246060  0.28    76771   T   C
20  246061  0.28    76915   0   A

> file2
112879285   R   68303   20
200068921   M   68319   20
200257910   K   68336   20
200192457   W   68363   20
138777928   Y   68396   20

我想将 file1 的第 0 列和第 3 列与 file2 的第 2 列和第 3 列进行比较，如果它们匹配，我想输出其余信息以匹配两个文件中的行，如下所示：

> desired output
20  246057  0.28    68363   0   A   200192457   W
20  246058  0.28    68396   T   C   138777928   Y

这是我到目前为止的代码，我已经尝试了这个的几种变体以及这里的许多建议，但我仍然不知道如何从 file1 获取相应的信息。我尝试的大多数事情都会导致每次匹配都会重复 file1 中的最后一行。

#!/usr/bin/python
import csv

data2 = []
output = open("output.txt","w")

with open("file1.txt", "rb") as in_file1, open("file2.txt","rb") as in_file2:
    reader1 = csv.reader((in_file1), delimiter="\t")
    for row1 in reader1:
        y1 = row1[0], row1[3]
        data2.append(tuple(y1))
        y = row1
    reader2 = csv.reader((in_file2), delimiter="\t")
    for row2 in reader2:
        z = row2[-1], row2[2]
        if tuple(z) in data2:
            out = "\t".join(row2)
            output.write(out+"\n")

我正在努力的部分是在解析后从 file1 获取输出。所以我目前得到了下面的结果，但我还想要 file1 中这些行的相应信息：

> current output
200192457   W   68363   20
138777928   Y   68396   20

非常感谢任何帮助或建议！谢谢！ （我使用的是 python 2.7）

Answer 1

这是我从头开始编写的解决方案：

f1 = file("file1.txt")
f2 = file("file2.txt")
d = {}
while True:
  line = f1.readline()
  if not line:
    break
  c0,c1,c2,c3,c4,c5 = line.split()
  d[(c0,c3)] = (c0,c1,c2,c3,c4,c5)
while True:
  line = f2.readline()
  if not line:
    break
  c0,c1,c2,c3 = line.split()
  if (c3,c2) in d:
    vals = d[(c3,c2)]
    print c3,vals[1],vals[2],vals[3],vals[4],vals[5],c0,c1

它读取第一个文件，并使用 tuple 键将值存储到 dict 中。然后它读取第二个文件，并检查字典中是否存在tuple 键。如果是这样，它会打印所有数据。

请注意，您必须记住在程序的最终工作版本中也关闭文件。为简洁起见，我省略了关闭文件的行。

Answer 2

这是 join、awk 和 cut 的一个很好的用例：

$ join -11 -24 file1 file2 | awk '$4 == $9 { }' | cut -d' ' -f1-8

输出：

20 246057 0.28 68363 0 A 200192457 W
20 246058 0.28 68396 T C 138777928 Y

解释：

1. 在第一个 (-11) 和第四个 (-24) 字段中加入两个文件 file1 和 file2。
2. 仅过滤第 4 和第 9 字段相等的行 ($4 == $9)；打印这些行 ({ })。
3. 从这些行中仅打印第 1 到第 8 个字段 (-f1-8)。

Answer 3

尝试将您的代码修改为以下，您实际上需要将获得匹配项的 row1 存储在 file2 中：

with open("file1.txt", "rb") as in_file1, open("file2.txt","rb") as in_file2:
reader1 = csv.reader((in_file1), delimiter="\t")
for row1 in reader1:
    y1 = row1[0], row1[3]
    reader2 = csv.reader((in_file2), delimiter="\t")
    for row2 in reader2:
        z = row2[-1], row2[2]
        if tuple(z) in [tuple(y1)]:
              out = "\t".join(row1)
              output.write(out+"\n")    
              out = "\t".join(row2)
              output.write(out+"\n")