我有一个很大的tsv文件，包含许多我需要用python解析的列。我需要获取原始文件，删除不必要的列或数据，并使用数据创建一个新文件。一个问题，其中一个列的数据以逗号分隔。
文件数据如下所示：
Mark Adams 8429 Main TX beef,broccoli,carrot,chicken
John Baker 1241 Wells TX tortilla,grapes,corn,steak
Joe Hills 1235 Wilcox TX mushrooms,bacon,chicken,butter,yogurt,eggs
White Fang 9999 Wolf TX salt,pepper,lettuce,lamb
Zach Trott 0421 Spirit TX peas,milk,pork,cups,chicken
我需要新文件包含第0,1,2,3列，并且只从第5列中获取特定值，这些值存储在下面的列表中。我需要它只返回列出的任何肉类，并忽略第5列中的其余项目。
list = ['beef', 'pork', 'chicken', 'steak', 'bacon', 'lamb']
这甚至可能吗？ 我正在使用的当前代码...
keys = [True, True, True, True, True, []]
# Columns matching True are included, False excludes them.
# A nested list causes the tab-separated column to be split at commas and filtered equally.
from itertools import compress
with open("test.txt") as in_file, open("file2.tsv") as out_file:
for line in in_file:
output = []
columns = line.split("\t")
for c, k in zip(columns, keys):
if isinstance(k, list):
output.append(",".join(compress(c.split(","), k)))
elif k:
output.append(c)
print(*output, sep="\t", file=out_file)
到目前为止的错误： 1.）它只在第5列中选择尽可能多的项目，就像我写的True语句一样。但每行将有不同数量的项目。所以我需要它在每行的第5列中迭代每个逗号分隔值，并返回列表中的值。
2。）当我尝试运行它时，我在最后一个print语句中也出现语法错误。
谢谢！
答案 0 :(得分：0)
由于您尚未提供任何代码示例，表明您是否已尝试解决此问题，因此我将坚持提供一种可能的（非常基本的）算法，您可以尝试：< / p>
- 从TSV读取一行
- 使用＆＃34; TAB＆＃34;作为分隔符 - ＆gt;这会给你一个清单
- 将您在上一步中获得的列表中所需的列（元素）写入输出文件（在新行中）
- 对于最后一列，您可以使用逗号作为分隔符进行拆分，并根据需要处理结果列表（提示：也许是
del关键字可能对你有用）- 冲洗并重复：返回步骤1，直到处理完整个文件
答案 1 :(得分：0)
您可以创建一个键，用于定义要保留的列和子字段以及丢弃和处理文件的内容，如下所示：
keys = [True, True, True, True, False, [True, False, False, True]]
# Columns matching True are included, False excludes them.
# A nested list causes the tab-separated column to be split at commas and filtered equally.
from itertools import compress
with open("file.tsv") as in_file, open("file2.tsv", "w") as out_file:
for line in in_file:
output = []
columns = line.split("\t")
for c, k in zip(columns, keys):
if isinstance(k, list):
output.append(",".join(compress(c.split(","), k)))
elif k:
output.append(c)
print(*output, sep="\t", file=out_file)
将此作为输入文件（以制表符分隔的列）：
first_name1 last_name1 house_number1 street1 state1 meat1,carrots1,soup1,3 eggs1
first_name2 last_name2 house_number2 street2 state2 meat2,carrots2,soup2,3 eggs2
first_name3 last_name3 house_number3 street3 state3 meat3,carrots3,soup3,3 eggs3
first_name4 last_name4 house_number4 street4 state4 meat4,carrots4,soup4,3 eggs4
会在第二个文件中产生此输出：
first_name1 last_name1 house_number1 street1 meat1,3 eggs1
first_name2 last_name2 house_number2 street2 meat2,3 eggs2
first_name3 last_name3 house_number3 street3 meat3,3 eggs3
first_name4 last_name4 house_number4 street4 meat4,3 eggs4
See this code running on ideone.com
当您澄清最后一列的分割方式时，这里有一个更新的代码示例，可以让您设置一个单词列表，以便只有那里列出的单词出现在输出中：
keys = [True, True, True, True, False, ['beef', 'pork', 'chicken', 'steak', 'bacon', 'lamb']]
for line in in_file:
output = []
columns = line.split("\t")
for c, k in zip(columns, keys):
if isinstance(k, list):
output.append(",".join(word for word in c.split(",") if word in k))
elif k:
output.append(c)
print(*output, sep="\t", file=out_file)
您的示例输入：
Mark Adams 8429 Main TX beef,broccoli,carrot,chicken
John Baker 1241 Wells TX tortilla,grapes,corn,steak
Joe Hills 1235 Wilcox TX mushrooms,bacon,chicken,butter,yogurt,eggs
White Fang 9999 Wolf TX salt,pepper,lettuce,lamb
Zach Trott 0421 Spirit TX peas,milk,pork,cups,chicken
您的示例的输出：
Mark Adams 8429主要牛肉，鸡肉 约翰贝克1241威尔斯牛排 Joe Hills 1235 Wilcox培根，鸡肉 白方9999狼羔羊 Zach Trott 0421精神猪肉，鸡肉
See this code running on ideone.com
上面的两个脚本是为Python 3编写的。如果您使用的是Python 2，则print()函数不可用。在这种情况下，您必须使用不同的方法来编写输出文件。
只需更换此行：
print(*output, sep="\t", file=out_file)
有了这个：
out_file.write("\t".join(output) + "\n")
其余部分应该兼容。