python - 验证前一行是否具有与当前行相同的字符串和另一列的总和值

Question

我想做的是这样的脚本读取当前文件:

chr1,700244,714068,LOC100288069,982
chr1,1568158,1570027,MMP23A,784
chr1,1567559,1570030,MMP23A,784
chr1,1849028,1850740,TMEM52,799
chr1,2281852,2284100,LOC100129534,934
chr1,2281852,2284100,LOC100129534,800
chr1,2460183,2461684,HES5,819
chr1,2460183,2461684,HES5,850
chr1,2517898,2522908,FAM213B,834
chr1,2518188,2522908,FAM213B,834
chr1,2518188,2522908,FAM213B,834
chr1,2518188,2522908,FAM213B,834
chr1,2517898,2522908,FAM213B,834

如果第 3 列在一行中重复，则对第 4 列的值求和并得出此类总和的平均值。输出应该是:

chr1,700244,714068,LOC100288069,982
chr1,1568158,1570027,MMP23A,784
chr1,1849028,1850740,TMEM52,799
chr1,2281852,2284100,LOC100129534,934
chr1,2460183,2461684,HES5,834.5
chr1,2517898,2522908,FAM213B,867

我试过这个脚本，但它不起作用。谁能给我一些提示？

f1 = open('path', 'r')

reader1 = f1.read()

f3 = open('path/B_Media.txt','wb')

for line1 in f1:

    coluna = line1.split(',')
    chr = coluna[0]
    start = coluna[1]
    end = coluna[2]
    gene = coluna[3]
    valor_B = coluna[4]
    previous_line = current_line
    current_line = line
    gene2 = previous_line[3]
    soma_B2 = previous_line[4]
    soma_de_B = int(valor_B)+int(soma_B2)
    if gene == gene2:
            x += 1
            media_gene = soma_de_B/x
            output = chr + "," + start + "," + end + "," + gene + "," +valor_B+","+media_gene
            f3.write(output)
            f3.flush()
            print output

Answer 1

因为你需要知道接下来会发生什么(以逐行阅读的方式来说)，我会把阅读和写作分成两个不同的部分。

另外，csv -module 可能会派上用场，因为您不必处理任何特殊情况(如文本中的逗号等)并且读/写非常容易。使用 with 打开文件通常是一个好习惯，因为关闭它是自动处理的。

现在写一些代码:-)

from __future__ import division
import csv

gene = 3
valor_B = 4

data = []
with open('data.csv', 'r') as readfile:
    reader = csv.reader(readfile)
    for row in reader:
        data.append(row)

values_to_add = []
with open('B_Media.txt','wb') as writefile:
    writer = csv.writer(writefile)

    for i in range(len(data)):
        values_to_add.append(int(data[i][valor_B]))
        # if last row or row is different from previous, write it
        if i == len(data)-1 or data[i][gene] != data[i+1][gene]:
            data[i][valor_B] = sum(values_to_add)/len(values_to_add)
            writer.writerow(data[i])
            values_to_add = []

基本上它首先从输入文件中读取所有内容并将其放入data。然后，使用 输出文件，遍历每一行，执行以下操作:

• 将我们最终将写入的第 4 列的值添加到要写入的值列表中(也许不是现在，但最终)
• 如果我们遇到的一行不同于前一行或最后一行(我们也需要捕获那一行!)，写入输出。如果我们这样做，我们将取到目前为止收集的值列表的平均值(至少 1 个，可能 2 个或更多)。我们使用 sum()/len() 计算平均值，并用我们的新值替换相应的列，然后将其写入输出文件。
• 如果不是这种情况，什么都不做!第 4 列的值已在第一步中添加到列表中，因此我们可以向前移动一步到下一行。

结果:

chr1,700244,714068,LOC100288069,982.0
chr1,1567559,1570030,MMP23A,784.0
chr1,1849028,1850740,TMEM52,799.0
chr1,2281852,2284100,LOC100129534,867.0
chr1,2460183,2461684,HES5,834.5
chr1,2517898,2522908,FAM213B,834.0

(您可能认识 from __future__ import division 语句，它确保我们在除法时可以使用非整数值，例如 834.5。)