Question

我有一个带有四列的制表符分隔文件。我需要为'col1'和'col2'中的每个唯一值对组合'col3'和'col4'。示例和输出显示如下。

我想到的一种方法是使用嵌套循环：外循环按顺序读取行，内循环从开头读取所有行并查找映射。然而，这个过程似乎是计算密集型的。

是否有另一种方法可以做到这一点。

col1    col2    col3    col4
a   c   1,2 physical
a   c   2,3 genetic
b   c   22  physical 
b   d   33,44   genetic
c   e   1,2 genetic
c   e   2   physical
c   f   33,44   physical
c   f   3   genetic
a   a   4   genetic
e   c   1,2 xxxxx


col1    col2    col3    col4
a   c   1,2,3   genetic,physical
a   a   4   genetic
b   c   22  physical 
b   d   33,44   genetic
c   e   1,2 genetic,physical,xxxxx
c   f   3,33,44 genetic,physical

如果'col1'和'col2'在上面的最后一行中切换，值为'xxxxx'

，它会合并这些值

Answer 1

我会创建一个键字典，它是保存column1和column2数据的元组。这些值将是一个包含column3和column4数据的列表......

from collections import defaultdict
with open('test.dat') as f:
    data = defaultdict( lambda:([],[]))
    header = f.readline()
    for line in f:
        col1,col2,col3,col4 = line.split()
        col3_data,col4_data = data[(col1,col2)]  #data[frozenset((col1,col2))] if order doesn't matter
        col3_data.append(col3)
        col4_data.append(col4)

现在对输出进行排序和编写（使用','加入column3和column4列表，使set和sorted成为唯一，以便正确订购）

with open('outfile.dat','w') as f:
   f.write(header)
   #If you used a frozenset in the first part, you might want to do something like:
   #for k in sorted(map(sorted,data.keys())):
   for k in sorted(data.keys()):
       col1,col2 = k
       col3_data,col4_data = data[k]
       col3_data = ','.join(col3_data) #join the list
       col3_data = set(int(x) for x in col3_data.split(',')) #make unique integers
       col3_str = ','.join(map(str,sorted(col3_data)))       #sort, convert to strings and join with ','
       col4_data = ','.join(col4_data)  #join the list
       col4_data = sorted(set(col4_data.split(',')))  #make unique and sort
       f.write('{0}\t{1}\t{2}\t{3}\n'.format(col1,col2,col3_str,','.join(col4_data)))

Answer 2

@mgilson提供了一个很好的无需额外部件的解决方案（+1）。我看到pandas也被标记了，所以为了完整性，我会给出pandas等价物：

import pandas as pd

df = pd.read_csv("merge.csv",delimiter=r"\s*")

key_cols = ["col1", "col2"]
df[key_cols] = df[key_cols].apply(sorted, axis=1)

def join_strings(seq, key):
    vals = [term for entry in seq for term in entry.split(',')]
    return ','.join(sorted(set(vals), key=key))

new_df = df.groupby(key_cols).agg({"col3": lambda x: join_strings(x, int),
                                   "col4": lambda x: join_strings(x, str)})
new_df.to_csv("postmerged.csv")

产生

In [173]: !cat postmerged.csv
col1,col2,col3,col4
a,a,4,genetic
a,c,"1,2,3","genetic,physical"
b,c,22,physical
b,d,"33,44",genetic
c,e,"1,2","genetic,physical,xxxxx"
c,f,"3,33,44","genetic,physical"

所有这一切都是（1）对前两列进行排序，以便e c成为c e，（2）按col和col 2对术语进行分组，然后汇总（agg）col3和col4，以逗号方式加入已整理的排名条款集。

对于像这样的事情，

groupby非常方便。可能存在潜伏在某处的join_strings函数的内置替换，但我不确定。

基于两列中的值合并其他列中的值

2 个答案: