对数据进行子集化，并对每个fi中的行进行计数

Question

我试图将数据从一个文件子集到两个单独的文件，并分别计算每个文件中的行数。在

   ID,MARK1,MARK2
sire1,AA,BB
dam2,AB,AA
sire3,AB,-
dam1,AA,BB
IND4,BB,AB
IND5,BB,AA

一个文件是：

^{pr2}$

另一种是：

ID,MARK1,MARK2
IND4,BB,AB
IND5,BB,AA

这是我的代码：

import re
def file_len(filename):
    with open(filename, mode = 'r', buffering = 1) as f:
        for i, line in enumerate(f):
            pass
    return i

inputfile = open("test.txt", 'r')
outputfile_f1 = open("f1.txt", 'w')
outputfile_f2 = open("f2.txt", 'w')

matchlines = inputfile.readlines()
outputfile_f1.write(matchlines[0]) #add the header to the "f1.txt"
for line in matchlines:       
    if re.match("sire*", line):
        outputfile_f1.write(line)
    elif re.match("dam*", line):
        outputfile_f1.write(line)
    else:
        outputfile_f2.write(line) 
print 'the number of individuals in f1 is:', file_len(outputfile_f1)
print 'the number of individuals in f2 is:', file_len(outputfile_f2)
inputfile.close()
outputfile_f1.close()
outputfile_f2.close()

代码可以很好地分离文件的子集，但我特别不喜欢在新文件中添加头的方式，我想知道是否有更好的方法来实现这一点？另外，这个函数在计算行数时看起来很好，但是当我运行它时，它给了我一个错误

"Traceback (most recent call last):
  File "./subset_individuals_based_on_ID.py", line 28, in <module>
    print 'the number of individuals in f1 is:', file_len(outputfile_f1)
  File "./subset_individuals_based_on_ID.py", line 7, in file_len
    with open(filename, mode = 'r', buffering = 1) as f:
TypeError: coercing to Unicode: need string or buffer, file found
 "

所以我在google上搜索了这个站点，添加了buffering = 1（它最初不在代码中），仍然没有解决问题。在

非常感谢您帮助改进代码并清除错误。在

Answer 1

我可能误读了你，但我相信你只是想这么做：

>>> with open('test', 'r') as infile:
...   with open('test_out1', 'w') as out1, open('test_out2', 'w') as out2:
...     header, *lines = infile.readlines()
...     out1.write(header)
...     out2.write(header)
...     for line in lines:
...       if line.startswith('sir') or line.startswith('dam'):
...         out1.write(line)
...       else:
...         out2.write(line)

{cd1}之前的内容：

^{pr2}$

test_out1之后的内容：

ID,MARK1,MARK2
sire1,AA,BB
dam2,AB,AA
sire3,AB,-
dam1,AA,BB

test_out2之后的内容：

ID,MARK1,MARK2
IND4,BB,AB
IND5,BB,AA