Filtrando um arquivo CSV em python
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)