Как сравнить колонки из двух CSV в питоне?

Question

Привет У меня есть два CSV-файла на входе, например:

file1:

AK163828 chr5 s1 + e1 cttt 4
AK163828 chr5 s2 + e2 gtca 4
AK168688 chr6 s3 + e3 ggcg 4
AK168688 chr6 s4 + e4 tctg 4

file2:

chr6s3+e3 ggcg
chr5s1+e1 cttt
chr6s4+e4 tata
chr5s2+e2 ggcg

#as you can see the file2 is randomly sorted

Я хочу сравнить столбец 1 изfile2 с колонкой 2, 3, 4, 5 объединены из file1 и одновременно с колонкой 2 из file2 со колонкой 6 из файла 1, и выберите только соответствующие строки.

Желаемый вывод:

chr6s3+e3 ggcg
chr5s1+e1 cttt

Я пытался использовать этот код:

import csv

reader1 = csv.reader(open(file1), dialect='excel-tab' )
reader2 = csv.reader(open(file2), dialect='excel-tab' )

     for row1, row2 in zip(reader1,reader2):
            F1 = row1[1] + row1[2] + row1[3] + row1[4] + '\t' row1[5]
            F2 = row2[0] + '\t' + row2[1]
            print set(F1) & set(F2)

Но это не работает.Можете ли вы помочь мне исправить мой код или дать мне другой способ сделать это?Спасибо за вашу помощь!

Answer 1

Быстро и грязно:

import csv

file1 = 'C:/Users/Me/Desktop/file1'
file2 = 'C:/Users/Me/Desktop/file2'

reader1 = csv.reader(open(file1))
reader2 = csv.reader(open(file2))

F1 = set(''.join(row1[0].strip().split()[1:6]) for row1 in reader1)
F2 = set(''.join(row2[0].strip().split()) for row2 in reader2)

for sequence in F1.intersection(F2):
    print(sequence[:-4]),
    print('\t'),
    print(sequence[-4:])

Выход:

chr6s3+e3   ggcg
chr5s1+e1   cttt

Answer 2

Как насчет этого:

import csv

reader1 = csv.reader(open('file1.tsv'), dialect='excel-tab' )
reader2 = csv.reader(open('file2.tsv'), dialect='excel-tab' )

keys = set()

for row in reader1:
    keys.add((''.join(row[1:5]), row[5]))

for row in reader2:
    if (row[0], row[1]) in keys:
        print '\t'.join(row)

Кстати: используемый вами формат (dialect='excel-tab') обычно называется TSV, а не CSV, хотя это вариант CSV. Вы также должны убедиться, что ваши значения разделены вкладками, а не пробелами, как в вашем посте. Я думаю, что да, и у вас есть только пробелы из-за проблем с форматированием переполнения стека?