如何使用 Python 修改 tsv 文件列

Question

我有一个 GFF3 文件（主要是一个有 9 列的 TSV 文件），我正在尝试在我的文件的第一列中进行一些更改，以便覆盖对文件本身的修改。

GFF3 文件如下所示：

## GFF3 file
## replicon1
## replicon2
replicon_1  prokka  gene    0   15  .   @   .   ID=some_gene_1;
replicon_1  prokka  gene    40  61  .   @   .   ID=some_gene_1;
replicon_2  prokka  gene    8   32  .   @   .   ID=some_gene_2;
replicon_2  prokka  gene    70  98  .   @   .   ID=some_gene_2;

我写了几行代码，其中我决定更改某个符号（例如“_”）和要替换的符号（例如“@”）：

import os
import re
import argparse
import pandas as pd

def myfunc() -> tuple:
    ap.add_argument("-f", "--file", help="path to file")
    ap.add_argument("-i", "--input_word",help="Symbol to delete")
    ap.add_argument("-o", "--output_word", help="Symbol to insert")
    return ap.parse_args()
args = myfunc()
my_file = args.file
in_char = args.input_word
out_char = args.output_word

with open (my_file, 'r+') as f:
    rawfl = f.read()
    rawfl = re.sub(in_char, out_char, rawfl)
    f.seek(0)
    f.write(rawfl)
    f.close()

输出是这样的：

## GFF3 file
## replicon1
## replicon2
replicon@1  prokka  gene    0   15  .   @   .   ID=some@gene@1;
replicon@1  prokka  gene    40  61  .   @   .   ID=some@gene@1;
replicon@2  prokka  gene    8   32  .   @   .   ID=some@gene@2;
replicon@2  prokka  gene    70  98  .   @   .   ID=some@gene@2;

如您所见，“@”中的所有“_”都已更改。 我尝试使用pandas 修改脚本，以便仅将修改应用于第一列（seqid，如下所示）：

with open (my_file, 'r+') as f:
    genomic_dataframe = pd.read_csv(f, sep="\t", names=['seqid', 'source', 'type', 'start', 'end', 'score', 'strand', 'phase', 'attributes'])
    id = genomic_dataframe.seqid
    id = str(id) #this is used because re.sub expects strings, not dataframe
    id = re.sub(in_char, out_char, genid)
    f.seek(0)
    f.write(genid)
f.close()

我没有获得预期的结果，而是像 seqid 列（已正确修改）添加到文件但未覆盖原始的。

我想要得到的是这样的：

## GFF3 file
## replicon1
## replicon2
replicon@1  prokka  gene    0   15  .   @   .   ID=some_gene_1;
replicon@1  prokka  gene    40  61  .   @   .   ID=some_gene_1;
replicon@2  prokka  gene    8   32  .   @   .   ID=some_gene_2;
replicon@2  prokka  gene    70  98  .   @   .   ID=some_gene_2;

其中“@”符号仅出现在第一列，而“_”则保留在第 9 列。

你知道如何解决这个问题吗？谢谢大家。

Answer 1

如果您只想将第一次出现的 _ 替换为 @，您可以这样做，而无需将文件作为数据框加载，也无需使用任何 3rd 方库，例如 pandas强>.

with open('f') as f:
    lines = [line.rstrip() for line in f]

for line in lines:
    # Ignore comments
    if line[0] == '#':
        continue
    line = line.replace('_', '@', 1)

这将返回 lines 其中包含

## GFF3 file
## replicon1
## replicon2
replicon@1  prokka  gene    0   15  .   @   .   ID=some_gene_1;
replicon@1  prokka  gene    40  61  .   @   .   ID=some_gene_1;
replicon@2  prokka  gene    8   32  .   @   .   ID=some_gene_2;
replicon@2  prokka  gene    70  98  .   @   .   ID=some_gene_2;

Answer 2

您可以将re.sub 与以^（字符串的开头）开头的模式一起使用+ 在re.sub 中使用lambda 函数。例如：

import re

# change only first column:
r = re.compile(r"^(.*?)(?=\s)")

in_char = "_"
out_char = "@"

with open("input_file.txt", "r") as f_in, open("output_file.txt", "w") as f_out:
    for line in map(str.strip, f_in):
        # skip empty lines and lines starting with ##
        if not line or line.startswith("##"):
            print(line, file=f_out)
            continue

        line = r.sub(lambda g: g.group(1).replace(in_char, out_char), line)
        print(line, file=f_out)

创建output_file.txt:

## GFF3 file
## replicon1
## replicon2
replicon@1  prokka  gene    0   15  .   @   .   ID=some_gene_1;
replicon@1  prokka  gene    40  61  .   @   .   ID=some_gene_1;
replicon@2  prokka  gene    8   32  .   @   .   ID=some_gene_2;
replicon@2  prokka  gene    70  98  .   @   .   ID=some_gene_2;