我正在尝试将制表符分隔的sam文件导入为pandas dataframe。
NB501670：42：HJL7WAFXX：1：11209：17120：18358 83 CHR1 13182 0 86M = 13178 -90 CAGCTGTAACTCAAAGCCTTAGCCTCTGTTCCCACGAAGGCAGGGCCATCGGGCACCAAAGGGATTCTGCCAGCATAGTGCTCCTG EEEAEEE6EEEAE // EEAEEEAAA / EEEEEAEAEEEEEAEEEEEEE // EEAAEAEEEEEEEEEAEEEEEE / EEEEEEEEEEAEEEE MC：Z：7S90M20S MD：Z：50A35 RG位：Z ：样本NM：i：1 AS：i：81 XS：i：81 RX：Z：TCCAAGAA NB501670：42：HJL7WAFXX：3：11411：9444：15777 83 chr1 19434 0 20M = 19335 -119 GGTGGAGGGGCTGCAGACTC AEAAE / EEEEE / AEEAEE / E MC：Z：20S39M MD：Z：20 RG：Z：样品NM：i：0 AS：i：20 XS：i：20 RX：Z：TACTCTTC NB501670：42：HJL7WAFXX：1：11212：2247：4550 99 CHR1 22984 0 115M8S = 22984 115 TCTTCCCTAGGTGTCCCTCGGGCACATTTAGCACAAAGATAAGCACAAAAGGTGCATCCAGCACTTTGTTACTATTGGTGGCAGGTTTATGAATGGCAACCAAAGGCAGTGTACGTCCTCACT EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEAEEAEEEAEEEAEEAEEEEAEEEEEEEEEEEAEEEEAEEEAAAEEE XA：Z：CHR9，+ 23097,115M8S，0; chr19，+ 64592,115M8S，0; CHR 15，-102508066， 8S115M，1; CHR2，-114347920,8S115M，3; chr12，-80579,8S115M，3; MC：Z：18S115M8S MD：Z：115 RG：Z：样品NM：i：0 AS：i：115 XS：i：115 RX：Z：TCTCATCT NB501670：42：HJL7WAFXX：3：11508：18628：11422 99 CHR1 22984 0 115M8S = 22984 115 TCTTCCCTAGGTGTCCCTCGGGCACATTTAGCACAAAGATAAGCACAAAAGGTGCATCCAGCACTTTGTTACTATTGGTGGCAGGTTTATGAATGGCAACCAAAGGCAGTGTACGTCCTCACT EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEE / EEEEEEAAEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEA / EAAAEAAA XA：Z：chr19，+ 64592,115M8S，0; CHR9，+ 23097,115M8S，0; CHR 15 ，-102508066,8S115M，1; CHR2，-114347920,8S115M，3; chr12，-80579,8S115M，3; MC：Z：18S115M8S MD：Z：115 RG：Z：样品NM：i：0 AS：i：115 XS：i：115 RX：Z：TCTCATCT NB501670：42：HJL7WAFXX：2：21203：5598：10862 83 CHR1 25804 0 130M = 25783 -151 AGTGGGGCCCTTGGTTGCAACACAAGTAGGTGGGGATGGATGAGTGTGGCATGAAGGGCCTAGGAGATTTCACTTGGGTTTAAAATGCTGTGACCTTGAGTAAGTTGCCGTCTCTGAATCTGATCCTTTC EEEAAEEEEEEAEAEE
输入文件中的每一行都以NB开头。
以下是我将文件作为数据框读取的代码。
InSamFile = r'truq_chr1_10M.R1.sorted.txt'
max_n=22
df = pd.read_csv(InSamFile, sep='\t',comment='#', dtype=str, names=range(max_n))
df.head()
以上代码导入如下文件 Head of the dataframe
在数据框中，最初的11列可用于所有行，因此可以正确导入它们。但是，现在有些列，例如MC：Z：xxxxx标签出现在MD：Z：xxxx标签之前的某一行。最后，如果MC标签在那里，它将混合在MD标签列中，依此类推。
它在特定列中输入错误的值。
你能否在检查列表的开头时建议如何read_csv，例如：如果从MD开始然后把所有值sin MD列，从RG，NM等开始并且没有找到具有特定标签的值而不是放置NA或保持空？
可以跳过前12列进行此类检查，因为它们始终以正确的顺序存在于所有行中。这样，对于大多数原始列，具有MC标记的列将为空。
在处理数据框时读取文件或稍后的任何建议都将受到赞赏。我可以通过逐个读取所有列来使用awk执行此操作，并匹配列的开头（如果MD / MC / etc并且相应地分配）。但我是python的新手并寻求帮助。
阿米特
