Question

我之前问了一个类似的问题，但我的输入文件很难处理，所以我再次问这个问题（希望这些文件更容易使用！）我正在尝试使用python因为这就是我现在想要学习的东西！（或者这可能直接在终端？！）

使用9701个细菌名称的一个数据集，我使用两个不同的程序对它们进行聚类。这些程序的输出（在一些操作之后）产生了两个文本文件，每个程序一个，看起来像这样：

0 Pyrobaculum aerophilum Thermoproteaceae 1 Mycobacterium aichiense Mycobacteriaceae 1 Mycobacterium alvei Mycobacteriaceae 1 Mycobacterium aromaticivorans Mycobacteriaceae 1 Mycobacterium aubagnense Mycobacteriaceae 1 Mycobacterium boenickei Mycobacteriaceae 1 Mycobacterium brisbanense Mycobacteriaceae

该数字对应于细菌被放入的簇，然后是细菌的实际名称（因此，上面有一个细菌群集'0'，六个群集'1'）。

我的问题：我想比较两个文件的输出，看看他们是否/如何对细菌进行不同的分类。理想情况下，我会生成一个具有这些差异的新文件。问题在于两个程序以不同的方式处理数据;因此，虽然两个程序产生的聚类可能含有相同的细菌，但实际的“聚类数”可能不同（例如，聚类'10'中有10个布鲁氏菌，而同样的10个布鲁氏菌属于聚类'2321' ）。就我的目的而言，如果相同的细菌在一起，但群集号在两个群集文本文件之间发生变化：这并不重要。但是，如果一个程序将十个Brucella放在集群'10'中，但集群'2321'中只有9个 - 我想知道！）

那么，是否可以比较这两个文本文件，以便不查看实际的簇编号，但内容是否保持不变？

注意：如果更容易使用，我很容易将我的两个群集文件更改为此格式：

Brucella pinnipedialis Brucellaceae 0 Brucella suis Brucellaceae 0 Brucella ceti Brucellaceae 0

或者也许以其他方式？

Answer 1

假设每个细菌只在一个簇中，您可以在它包含的第一个（字母）细菌后重命名每个簇。相同的群集将具有相同的名称，因此您可以直接进行比较。

Answer 2

好的，如果是我，我会尝试这样的事情：

def collector(fileIn):
    d = {}
    with open(fileIn, "r") as f:
        for line in f:
            clu, gen, spec, fam = line.split()
            d.setdefault(gen, []).append((spec, fam))
    return d

def compare_files(f1, f2):
    d1 = collector(f1)
    d2 = collector(f2)
    for genus in d1:
        try:
            if len(d1[genus]) != len(d2[genus]):
                print genus, "is different"
        except:
            print genus, "not found in file 2"

您可以在d1或d2中打印出不匹配的每个属的元组，以查看哪些元素丢失。比较密钥以查看两个文件中是否有任何一个属于遗传也是有帮助的（我只是假设他们不会）。

如果文件很大，你可以删除try / except以减少开销

希望有所帮助。另请注意，我没有在任何地方保存群集号。如果这很重要，那么也许你可以将（spec，fam，clu）附加到词典中。

代码中

编辑拼写错误

如何比较集群2.0

2 个答案: