如何比较群集 2.0

Question

我之前问了一个类似的问题，但是我的输入文件很难处理，所以我再次问这个问题（希望这些文件能更容易处理！）我正在尝试使用python，因为我现在正试图学习它！（或者可能直接在航站楼里？！）在

使用一组9701个细菌名称的数据集，我使用两个不同的程序对它们进行聚类。这些程序的输出（经过一些操作后）产生了两个文本文件，每个程序对应一个，如下所示：

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

编号对应于细菌所在的集群，后跟细菌的实际名称（因此，上面的簇“0”中有一个细菌，簇“1”中有6个细菌）。在

我的问题：我想比较两个文件的输出，看看它们对细菌的分类是否/如何不同。理想情况下，我会生成一个包含这些差异的新文件。在同一个簇中，细菌可能是两个不同的簇。就我而言，如果同一个细菌在一起，但是簇号发生变化，两个簇之间的文本文件：那就不重要了。但是，如果有一个程序把10个布鲁氏菌放在“10”簇中，而只有9个在“2321”簇中——我想知道！）在

那么，是否可以比较这两个文本文件，这样就不会看到实际的簇号，而是内容是否保持不变？在

注意：如果我的两个群集文件更易于使用，则可以很容易地将两个群集文件更改为以下格式：

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

或者以其他方式？在

Answer 1

好吧，如果是我，我会试试这样的方法：

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"

你可以打印出d1或d2中每个不匹配的属的元组，看看哪个缺失了。比较两个键，看看是否有两个文件缺少一个属（我只是假设它们没有）。在

如果文件很大，可以删除try/except以减少开销

希望有帮助。还请注意，我没有将集群号保存在任何地方。如果这很重要，那么也许你可以在字典中添加（spec，fam，clu）。在

编辑键入代码

Answer 2

假设每个细菌只在一个集群中，您可以用它包含的第一个细菌（按字母顺序）重命名每个集群。相同的簇将具有相同的名称，因此可以直接进行比较。在