我想用python从一个大文件中提取某些信息。 我有3个输入文件。 第一个输入文件(input\文件)是数据文件,它是一个3列制表符分隔的文件,如下所示:
engineer-n imposition-n 2.82169386609e-05
motor-n imposition-n 0.000102011705117
creature-n imposition-n 0.000121321951973
bomb-n imposition-n 0.000680302090112
sedation-n oppression-n 0.000397074586994
roadblock-n oppression-n 5.96190620847e-05
liability-n oppression-n 0.012845281978
currency-n oppression-n 0.000793989880202
第二个输入文件(colA\u文件)是一个单列列表,如下所示:
bomb-n
sedation-n
roadblock-n
surrender-n
第三个输入文件(colB\u文件)也是一个1列列表(与具有不同信息的colA\u文件相同),如下所示:
adjective-n
homeless-n
imposition-n
oppression-n
我想从colA和colB中找到的输入文件中提取信息。 对于我提供的示例数据,这意味着过滤除以下行以外的所有信息:
bomb-n imposition-n 0.000680302090112
sedation-n oppression-n 0.000397074586994
roadblock-n oppression-n 5.96190620847e-05
我用Python编写了以下代码来解决此任务:
def test_fnc(input_file, colA_file, colB_file, output_file):
nounA = []
with open(colA_file, "rb") as opened_colA:
for aLine in opened_colA:
nounA.append(aLine.strip())
#print nounA
nounB = []
with open(colB_file, "rb") as opened_colB:
for bLine in opened_colB:
nounB.append(bLine.strip())
#print nounB
with open(output_file, "wb") as outfile:
with open(input_file, "rb") as opened_input:
for cLine in opened_input:
splitted_cLine = cLine.split()
#print splitted_cLine
if splitted_cLine[0] in nounA and splitted_cLine[1] in nounB:
outstring = "\t".join(splitted_cLine)
outfile.write(outstring + "\n")
test_fnc(input_file, colA_file, colB_file, output_file)
但是,它只输出一行,就好像它不在所提供的列表输入上迭代一样。 我的列表似乎也被附加在一起,从一个项目开始,随着每个附加的项目而递增。 因此,我也试图参考以下清单:
for bLine in opened_colB:
nounB = bLine
与上述结果相同。你知道吗
如果您不介意依赖性,我会使用} 可以对其列执行^{} 检查。否则我建议使用集合,因为regex应该慢得多。像这样:
pandas
或numpy
。使用^{解释:首先,我将
colA
中的所有单词取出来,并生成一个正则表达式;与col2
类似。现在用这个正则表达式搜索输入文件并打印结果'\b'
是单词边界。如果您正在搜索一个单词'cat'
,但它可能会找到'catch'
,'\b'
很有用,因此只查找单词'cat'
。你知道吗相关问题 更多 >
编程相关推荐