Filtrowanie pliku CSV w Pythonie
Pobrałem toplik csv, który tworzy arkusz informacji o genie. Ważne jest to, że wHLA-*
kolumny, jest informacja o genie. Jeśli gen jest za niski, np.DQB1*03
następnie wiersz powinien zostać usunięty. Jeśli dane są zbyt wysokie, np.DQB1*03:02:01
, a później:01
tag na końcu musi zostać usunięty. Tak więc idealnie chciałbym, aby białka były w formacieDQB1*03:02
, dzięki czemu ma dwa poziomy rozdzielczości poDQB1*
. Jak mogę powiedzieć pythonowi, aby szukał tych formatów i ignorował przechowywane w nich dane. na przykład
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
UPDATE: Zmieniony kod, do którego się odwołałem
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)