如何在python中比较两个CSV的列？

Question

你好！

我有两个CSV文件作为输入，举个例子：

文件1：

AK163828 chr5 s1 + e1 cttt 4
AK163828 chr5 s2 + e2 gtca 4
AK168688 chr6 s3 + e3 ggcg 4
AK168688 chr6 s4 + e4 tctg 4

文件2：

chr6s3+e3 ggcg
chr5s1+e1 cttt
chr6s4+e4 tata
chr5s2+e2 ggcg

#as you can see the file2 is randomly sorted

我想把文件2的第一列和文件1的第二、三、四、五列合并后进行比较，同时还想把文件2的第二列和文件1的第六列进行比较，最后只选出匹配的行。

我想要的输出是：

chr6s3+e3 ggcg
chr5s1+e1 cttt

我试着用这段代码：

import csv

reader1 = csv.reader(open(file1), dialect='excel-tab' )
reader2 = csv.reader(open(file2), dialect='excel-tab' )

     for row1, row2 in zip(reader1,reader2):
            F1 = row1[1] + row1[2] + row1[3] + row1[4] + '\t' row1[5]
            F2 = row2[0] + '\t' + row2[1]
            print set(F1) & set(F2)

但是它没有成功。你能帮我修正我的代码，或者给我其他的方法吗？谢谢你的帮助！

Answer 1

这样说吧：

import csv

reader1 = csv.reader(open('file1.tsv'), dialect='excel-tab' )
reader2 = csv.reader(open('file2.tsv'), dialect='excel-tab' )

keys = set()

for row in reader1:
    keys.add((''.join(row[1:5]), row[5]))

for row in reader2:
    if (row[0], row[1]) in keys:
        print '\t'.join(row)

顺便提一下，你用的格式（dialect='excel-tab'）通常叫做TSV，而不是CSV，虽然它是CSV的一种变体。你还得确保你的值是用制表符（Tab）分开的，而不是像你帖子里那样用空格。我猜你的数据应该是用制表符分开的，只是因为Stack Overflow的格式问题，才显示成了空格？

Answer 2

简单粗暴：

import csv

file1 = 'C:/Users/Me/Desktop/file1'
file2 = 'C:/Users/Me/Desktop/file2'

reader1 = csv.reader(open(file1))
reader2 = csv.reader(open(file2))

F1 = set(''.join(row1[0].strip().split()[1:6]) for row1 in reader1)
F2 = set(''.join(row2[0].strip().split()) for row2 in reader2)

for sequence in F1.intersection(F2):
    print(sequence[:-4]),
    print('\t'),
    print(sequence[-4:])

输出结果：

chr6s3+e3   ggcg
chr5s1+e1   cttt