分析缺少字段的制表符分隔文件

Question

这是一个复杂的制表符分隔文件的例子

ENTRY   map0010\tNAME Glycolysis\tDESCRIPTION Glycolysis is the process of converting glucose into pyruvate\tCLASS   Metabolism\tDISEASE   H00071  Hereditary fructose intolerance\tH00072  Pyruvate dehydrogenase complex deficiency\tDBLINKS     GO: 0006096 0006094
ENTRY   map00020\tNAME  Citrate cycle (TCA cycle)\tCLASS   Metabolism; Carbohydrate Metabolism\tDISEASE   H00073  Pyruvate carboxylase deficiency\tDBLINKS     GO: 0006099\tREL_PATHWAY map00010  Glycolysis / Gluconeogenesis\tmap00053  Ascorbate and aldarate metabolism

我试图获得只包含一些字段的输出，例如：

^{pr2}$

主要问题是并非所有的行都包含相同数量的字段，因此我需要删除，例如，包含字符串“DESCRIPTION”的字段，并在字段“CLASS”不存在的行中添加一个空字段。在

此外，对于某些字段，数据被分割成多个字段（f.i，第1行，疾病之后的字段包含疾病数据！）我需要加入他们。在

我试过：

input = open('file', 'r')

dict = ["ENTRY", "NAME", "CLASS", "DISEASE", "DBLINKS", "REL_PATHWAY"]

split_tab = []
output = []

for line in input:
    split_tab.append(line.split('\t'))

for item in dict:
    for element in split_tab:
        if item in element:
            output.append(element)
        else:
            output.append('\tNA\t')

但是它保留了所有的东西，不仅仅是dict中指定的元素。 你能帮帮我吗？在

Answer 1

你的台词

^{bq}$

把事情搞砸了。你在单子里列一个单子。试试这个：

split_tab = line.split('\t')

Answer 2

使用内置的csv库。你的工作会容易得多。在

对于一些示例代码：

import csv
reader = csv.reader(open('myfile.csv', 'rb'), dialect='excel-tab')
fieldnames = ['Name','Class']
writer = csv.DictWriter(open('myfile.csv', 'rb'), fieldnames, restval='', extrasaction='ignore', dialect='excel-tab')

for row in reader:
    newrow = {}
    for field in row:
        key = field.split(' ', 1)[0]
        newrow[key] = field
    writer.writerow(newrow)

特别注意听写器的设置。如果包含restval和extrasaction字段，则使用起来更加容易。它们允许您传递一个字典，其值大于或小于编写者的预期值。在

只需适当设置字段名，并设置读取器使用正确的方言。这可能包括添加您自己的，但是csv链接有关于如何添加的说明。在

编辑

在Rob发表评论后，我修改了这篇文章，以考虑到csv方言并不像我想象的那么强大。在

Answer 3

requiredKeys = 'ENTRY NAME CLASS DISEASE DBLINKS REL_PATHWAY'.split(' ')

for line in open('file', 'r'):
    fields = line.split('\t')
    fieldMap = {}
    for field in fields:
        key = field.split(' ', 1)[0]
        fieldMap[key] = field
    print '\t'.join([fieldMap.get(key, 'NA') for key in requiredKeys])