在字典上迭代列表以映射项目

时间:2015-12-22 14:59:46

标签: python numpy dictionary itertools

我有两个文件:

File1中:

CL1 AA  XX  YY  ZZ  SS \n
CL2 3_b AA

文件2:

AA  string1
AA  string2
3_b string3

我的预期输出是:

CL1 AA  string1
CL1 AA  string2
CL2 3_b string3
CL2 AA  string1
CL2 AA  string2

为此,我写了以下代码:

import numpy as np
print("Reading Files...")
header = open('File1', 'r')
cl = header.readlines()
infile = np.genfromtxt('File2', dtype='str', skip_header=1)
new_array = []

for j in range(len(infile)):
    for row in cl:
        element = row.split("\t")
        ele_size = len(element)
        for i in range(0, ele_size):
            if np.core.defchararray.equal(infile[j,0], element[i]):
                clust = element[0]
                match1 = infile[j,0]
                match2 = infile[j,1]
                combo = "\t".join([clust, match1, match2])
                new_array.append(combo)

np.savetxt('output.txt',new_array, fmt='%s', delimiter='\t')

这会产生我想要的输出。但由于文件在file2和大约65000个集群中有大约700000行,因此迭代需要很长时间。任何人都可以提出一种有效的解析方法吗?

是否可以将第一个文件保留为列表,将第二个文件保存为字典?然后迭代键值?

2 个答案:

答案 0 :(得分:1)

你应该为File2存储一个dict,然后当你在File1中遍历行时,你可以只查找File2 dict中的键。这意味着单个级别for循环而不是三级for循环。

我认为NumPy不会帮助你解决任何问题 - 更容易忽略它并且只是编写常规Python。我认为它最终会很快。

答案 1 :(得分:0)

你可能想要看起来像这样的东西:

from collections import defaultdict

data1 = '''CL1 AA  XX  YY  ZZ  SS
CL2 3_b AA'''.split('\n')

data2 = '''AA  string1
AA  string2
3_b string3'''.split('\n')

# Store mappings that look like
#  * AA generates 'string1' and 'string2'
#  * 3_b generates 'string3'
mapping = defaultdict(list)
for line in data2:
    token, string = line.split() # you may need to change how you split the lines
    mapping[token].append(string)

result = []
# line -> CL1 AA  XX  YY  ZZ  SS
# element ^^^
# tokens      ^^  ^^  ^^  ^^  ^^
for line in data1:
    element, *tokens = line.split()
    for token in tokens[:2]: # you seem to only want 'match1' and 'match2'
        for string in mapping[token]:
            result.append([element, token, string])

for lst in result:
    print('\t'.join(lst))

基本上,您预先将“File2”的内容存储在字典中,类似于:

{"AA": ["string1", "string2"], "3_b": ["string3"]}

然后循环遍历“File1”的每一行;提取前三个组成部分;对于后两者,请从您预先生成的字典中找到相应的字符串*值。

我同意其他用户的观点,认为numpy在这里不会超级有用。它可能只是增加了开销而没有真正的好处。