python组合每对行: making script more efficient

Question

很抱歉这个问题太基本了。

目标:这是我的软件程序的输出:

1   590 SC  1.000   LEU2_YEAST  100%
1   590 EC  1.000   LEU2_ECOLI  100%
2   467 SC  1.000   FADH_YEAST  100%
2   467 EC  1.000   ADH3_ECOLI  100%
3   463 SC  1.000   6PG1_YEAST  100%
3   463 SC  0.816   6PG2_YEAST
3   463 EC  1.000   6PGD_ECOLI  100%
3   463 EC  0.903   6PG9_ECOLI
4   446 SC  1.000   YME1_YEAST  59%
4   446 EC  1.000   FTSH_ECOLI  100%
5   411 SC  1.000   ADH4_YEAST  100%
5   411 EC  1.000   ADH2_ECOLI  99%
8   256 SC  1.000   ATM1_YEAST  100%
8   256 EC  1.000   HLYB_ECOLI  99%
8   256 EC  0.987   HLY2_ECOLI
9   252 SC  1.000   MDL2_YEAST  100%
9   252 SC  0.203   MDL1_YEAST
9   252 EC  1.000   MSBA_ECOLI  99%

对于那些具有生物学背景的人，我只想列出相互最佳的热门内容。对于非生物学背景的人，我想提取基因对，前提是第一列中的数字只出现两次。

例如，我们可以看到数字 1 在文件的第一列中出现了两次:

 1  590 SC  1.000   LEU2_YEAST  100%
 1  590 EC  1.000   LEU2_ECOLI  100%

但是数字 3 出现了 4 次，出现在文件的第一列中:

3   463 SC  1.000   6PG1_YEAST  100%
3   463 SC  0.816   6PG2_YEAST
3   463 EC  1.000   6PGD_ECOLI  100%
3   463 EC  0.903   6PG9_ECOLI

因此对于这个示例文件，输出将如下所示:

LEU2_YEAST LEU2_ECOLI
FADH_YEAST ADH3_ECOLI
YME1_YEAST FTSH_ECOLI
ADH4_YEAST ADH2_ECOLI

因为这是文件中仅有的四对行。

这是我的代码:

import sys
Dict1 = {}
for line in open(sys.argv[1]):
    line = line.strip().split()
    if line[0] not in Dict1.keys():
        Dict1[line[0]] = [line[4]] 
    elif line[0] in Dict1.keys():
        Dict1[line[0]].append(line[4])

for i in Dict1.values():
    if len(i) == 2:
        print i[0] + "\t" + i[1] 

这有效，它打印的输出是:

LEU2_YEAST  LEU2_ECOLI
FADH_YEAST  ADH3_ECOLI
ADH4_YEAST  ADH2_ECOLI
YME1_YEAST  FTSH_ECOLI

我只是好奇其他人会怎么做？实际上，我的实际数据集将有数千行，所以我想知道是否有更有效(无论是在时间还是内存方面)的方法来做到这一点？或者人们如何添加“检查”以确保该数字只出现两次？现阶段，我已经掌握了 python 基础知识，因此我正在研究如何更好地设计代码。

Answer 1

一个可能的改进是将 if line[0] not in Dict1.keys() 更改为 if line[0] not in Dict1，因为 not in Dict1.keys() 是一个 O(n) 操作，而 not in Dict 大约是 O(1) 操作。

我不确定真正的性能提升。您应该使用 time弄清楚这一点。