python - 通过序列输出解析 - Python

Question

我从细菌群落的测序中获得了这些数据。我了解一些基本的 Python，并且正在完成 codecademy 教程。出于实际目的，请将 OTU 视为“物种”的另一种说法

这是原始数据的示例:

OTU ID   OTU Sum Lineage
591820   1083    k__Bacteria; p__Fusobacteria; c__Fusobacteria; o__Fusobacteriales; f__Fusobacteriaceae; g__u114; s__
532752   517     k__Bacteria; p__Fusobacteria; c__Fusobacteria; o__Fusobacteriales; f__Fusobacteriaceae; g__u114; s__
218456   346     k__Bacteria; p__Proteobacteria; c__Betaproteobacteria; o__Burkholderiales; f__Alcaligenaceae; g__Bordetella; s__
590248   330     k__Bacteria; p__Proteobacteria; c__Betaproteobacteria; o__Burkholderiales; f__Alcaligenaceae; g__; s__
343284   321     k__Bacteria; p__Proteobacteria; c__Betaproteobacteria; o__Burkholderiales; f__Comamonadaceae; g__Limnohabitans; s__

数据包括三项内容:物种的引用编号、该物种在样本中出现的次数以及该物种的分类学。

我想做的是将找到一个分类科(在数据中指定为 f_x)的序列的所有时间相加。

这是所需输出的示例:

f__Fusobacteriaceae 1600
f__Alcaligenaceae  676
f__Comamonadaceae  321

这不是为了上课。我几个月前开始学习 python，所以我至少能够查找任何建议。我知道它是如何通过缓慢的方式(在 excel 中复制和粘贴)来实现的，所以这供将来引用。

Answer 1

如果你的文件中的行真的像这样，你可以这样做

from collections import defaultdict
import re
nums = defaultdict(int)
with open("file.txt") as f:
    for line in f:
        items =  line.split(None, 2)  # Split twice on any whitespace
        if items[0].isdigit():
            key = re.search(r"f__\w+", items[2]).group(0)
            nums[key] += int(items[1])

结果:

>>> nums
defaultdict(<type 'int'>, {'f__Comamonadaceae': 321, 'f__Fusobacteriaceae': 1600, 
'f__Alcaligenaceae': 676})