Фильтрация файла CSV в python
Я скачал этоCSV-файл, которая создает электронную таблицу информации о генах. Важно то, что вHLA-*
столбцы, есть информация о генах. Если ген имеет слишком низкое разрешение, например,DQB1*03
тогда строка должна быть удалена. Если данные имеют слишком высокое разрешение, напримерDQB1*03:02:01
тогда:01
тег в конце должен быть удален. Итак, в идеале я хочу, чтобы белки были в форматеDQB1*03:02
так что у него есть два уровня разрешения послеDQB1*
, Как я могу сказать Python искать эти форматы и игнорировать данные, хранящиеся в них. например
if (csvCell is of format DQB1*03:02:01):
delete the :01 # but do this in a general format
elif (csvCell is of format DQB1*03):
delete row
else:
goto next line
ОБНОВЛЕНИЕ: отредактированный код, на который я ссылался
import csv
import re
import sys
csvdictreader = csv.DictReader(open('mhc.csv','r+b'), delimiter=',')
csvdictwriter = csv.DictWriter(file('mhc_fixed.csv','r+b'), fieldnames=csvdictreader.fieldnames, delimiter=',')
csvdictwriter.writeheader()
targets = [name for name in csvdictreader.fieldnames if name.startswith('HLA-D')]
for rowfields in csvdictreader:
keep = True
for field in targets:
value = rowfields[field]
if re.match(r'^\w+\*\d\d, value):
keep = False
break # quit processing target fields
elif re.match(r'^(\w+)\*(\d+):(\d+):(\d+):(\d+), value):
rowfields[field] = re.sub(r'^(\w+)\*(\d+):(\d+):(\d+):(\d+),r'\1*\2:\3', value)
else: # reduce gene resolution if too high
# by only keeping first two alles if three are present
rowfields[field] = re.sub(r'^(\w+)\*(\d+):(\d+):(\d+),r'\1*\2:\3', value)
if keep:
csvdictwriter.writerow(rowfields)