Eu baixei estearquivo csv, que cria uma planilha de informação genética. O importante é que noHLA-* colunas, há informação genética. Se o gene é muito baixo de uma resolução, e.DQB1*03 então a linha deve ser excluída. Se os dados forem de resolução muito alta, por ex.DQB1*03:02:01, então o:01 tag no final precisa ser removido. Então, idealmente eu quero proteínas para estar no formatoDQB1*03:02, para que tenha dois níveis de resolução depoisDQB1*. Como posso dizer ao python para procurar esses formatos e ignorar os dados armazenados neles. por exemplo.

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: código editado referenciado

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)