使用python在两个文件中查找匹配项

我正在分析测序数据，我有几个候选基因，我需要找到它们的功能

编辑可用的人类数据库后，我想将候选基因与数据库进行比较，并输出候选基因的函数

我只有基本的python技能，所以我想这可能会帮助我加快寻找候选基因功能的工作

包含候选基因的文件1如下所示

Gene
AQP7
RLIM
SMCO3
COASY
HSPA6

数据库file2.csv如下所示：

Gene   function 
PDCD6  Programmed cell death protein 6 
CDC2   Cell division cycle 2, G1 to S and G2 to M, isoform CRA_a 
CDC2   Cell division cycle 2, G1 to S and G2 to M, isoform CRA_a 
CDC2   Cell division cycle 2, G1 to S and G2 to M, isoform CRA_a 
CDC2   Cell division cycle 2, G1 to S and G2 to M, isoform CRA_a

期望输出

 Gene(from file1) ,function(matching from file2)

我尝试使用以下代码：

file1 = 'file1.csv'
file2 = 'file2.csv'
output = 'file3.txt'

with open(file1) as inf:
    match = set(line.strip() for line in inf)

with open(file2) as inf, open(output, 'w') as outf:
    for line in inf:
        if line.split(' ',1)[0] in match:
            outf.write(line)

我只有一页空白

我试着使用交集函数

with open('file1.csv', 'r') as ref:
    with open('file2.csv','r') as com:
       with open('common_genes_function','w') as output:
           same = set(ref).intersection(com)
                print same

也不工作

---

请提供帮助，否则我需要手动执行此操作

我建议使用

pandas

合并

功能。然而，它需要在“基因”和“功能”列之间有一个清晰的分隔符。在我的示例中，我假设它位于tab：

import pandas as pd
#open files as pandas datasets
file1 = pd.read_csv(filepath1, sep = '\t')
file2 = pd.read_csv(filepath2, sep = '\t')

#merge files by column 'Gene' using 'inner', so it comes up
#with the intersection of both datasets
file3 = pd.merge(file1, file2, how = 'inner', on = ['Gene'], suffixes = ['1','2'])
file3.to_csv(filepath3, sep = ',')

---

使用基本Python，您可以尝试以下操作：

import re

gene_function = {}
with open('file2.csv','r') as input:
    lines = [line.strip() for line in input.readlines()[1:]]
    for line in lines:
        match = re.search("(\w+)\s+(.*)",line)
        gene = match.group(1)
        function = match.group(2)
        if gene not in gene_function:
            gene_function[gene] = function

with open('file1.csv','r') as input:
    genes = [i.strip() for i in input.readlines()[1:]]
    for gene in genes:
        if gene in gene_function:
            print "{}, {}".format(gene, gene_function[gene])

---

您是否尝试查看python的

csv

模块？它有很多方法可以轻松解析csv文件。您可能会将

file1

中的两个基因加载到一个数组中，然后将数组中的每一项与csv模块加载到内存中的数据进行匹配。您如何将file1中的基因与file2中的函数相关联？文件1中是否有CDC2和PDCD基因？文件1中的基因应该出现在文件2中，因为文件2是完整的人类数据库。上面显示的数据只是内容的一部分。在

file2.csv

中，每个基因是否都有独特的功能？有些是重复的，因为它们在其他类别中有所不同，但我删除了其他类别，因为我只需要该功能。这就是为什么你可以在上面的例子中看到重复的基因