总结一个文本文件的内容

Question

我有一个像这个例子的文本文件：chrX    7970000    8670000   3  2   7   7   RPS6KA6   4chrX    7970000    8670000   3  2   7   7     SATL1   3chrX    7970000    8670000   3  2   7   7   SH3BGRL   4chrX    7970000    8670000   3  2   7   7      VCX2   1chrX   86580000   86980000   1  1   1   5     KLHL4   2chrX   87370000   88620000   4  4  11  11    CPXCR1   2chrX   87370000   88620000   4  4  11  11     FAM9A   2chrX   89050000   91020000  11  6  10  13     FAM9B   3chrX   89050000   91020000  11  6  10  13    PABPC5   2我想计算每行重复的次数 ( only 1st, 2nd and 3rd columns)。在output，会有5 columns。the1st 3 columns将相同（每行仅重复一次），但4th column在 thesame column和 the 中会有多个字符same line（这些字符在8th columnof 中original file）。the5th column是1st 3 lines are repeatedin的次数original file。in short: 在input file,columns 4,5,6,7 and 9 are useless对于输出文件。我们应该算在其中的行数1st 3 columns are the same，因此，在output file该1st 3 column would be the same as input file（但only repeated once）。该5th column is the number of times行是重复的。的4th column of output是所有字符从8th column这些都是重复行。在expected output，这一行是repeated 4 times：chrX    7970000 8670000。所以，5th column is 4和4th column is: RPS6KA6,SATL1,SH3BGRL,VCX2。正如您在4th column are comma separated.这是预期的输出：chrX    7970000 8670000 RPS6KA6,SATL1,SH3BGRL,VCX2  4chrX    86580000    86980000    KLHL4   1chrX    87370000    88620000    CPXCR1,FAM9A    2chrX    89050000    91020000    FAM9B,PABPC5    2我试图在 Python 中做到这一点并编写了以下代码：file = open("myfile.txt", 'rb')infile = []for line in file:    infile.append(line)    count = 0    final = []    for i in range(len(infile)):        count += 1        if infile[i-1] == infile[i]            final.append(infile[0,1,2,7, count])这段代码没有返回我想要的。你知道如何解决吗？

Answer 1

这应该做你想做的：

from collection import defaultdict # 1

lines = [line.rstrip().split() for line in open('file.txt').readlines()] # 2

counter = defaultdict(list) # 3

for line in lines:

    counter[(line[0], line[1], line[2])].append(line[7]) # 4

for key, value in counter.iteritems(): # 5

    print '{} {} {}'.format(' '.join(key), ','.join(value), len(value)) # 6

解释：

1. 我们将使用一个方便的库，它为我们提供了一个带有默认值的字典

2. 读取整个输入文件，删除末尾的新行并拆分为多个部分（在空白处）

3. 为任何键创建一个默认值为空列表的字典

4. 遍历行并填充字典

1. 第 1-3 列是关键

2. 对于第8列的每个字符序列，我们把它添加到列表中（如果我们没有使用defaultdict与list该会更复杂）

5. 迭代字典的键值对

6. 打印输出，将数据结构加入所需的格式。

希望这有帮助🙂。