如何将此文本解析为 Python 中的表格？

Question

我有这个名为 text.txt 的数据。我也有下面的代码。我想提取行值并想用它制作一个表格。我也想看看有没有更好的方法。谢谢

test.txt

Counting********************File:  bbduk_trimmed_Ago2_SsHV2L_1_CATGGC_L003_R1_001
Seq_132582_1: ATCCGAATTAGTGTAGGGGTTAACATAACTCT: 
0
Seq_483974_49238: TCCGAATTAGTGTAGGGGTTAACATAACTC: 
73764
Counting********************File:  bbduk_trimmed_Ago2_SsHV2L_2_CATTTT_L003_R1_001
Seq_132582_1: ATCCGAATTAGTGTAGGGGTTAACATAACTCT: 
0
Seq_483974_49238: TCCGAATTAGTGTAGGGGTTAACATAACTC: 
78640
Counting********************File:  bbduk_trimmed_Ago2_VF_1_CAACTA_L003_R1_001.fastq
Seq_132582_1: ATCCGAATTAGTGTAGGGGTTAACATAACTCT: 
0
Seq_483974_49238: TCCGAATTAGTGTAGGGGTTAACATAACTC: 
26267

我想要的结果：

  File Name                                 Seq_132582_1  Seq_483974_49238
0  bbduk_trimmed_Ago2_SsHV2L_1_CATGGC_L003_R1_001     0      73764
1  bbduk_trimmed_Ago2_SsHV2L_2_CATTTT_L003_R1_001     0      78640
2  bbduk_trimmed_Ago2_VF_1_CAACTA_L003_R1_001.fastq   0      26267

我试过的代码：

import sys

if sys.version_info[0] < 3:
    raise Exception("Python 3 or a more recent version is required.")
import re
import pandas as pd
text = open("text.txt",'r').read()
print(type(text))
results = re.findall(r'(bbduk_trimmed.*.fastq)\nSeq_132582_1: ATCCGAATTAGTGTAGGGGTTAACATAACTCT: \n(\d)\nSeq_483974_49238: TCCGAATTAGTGTAGGGGTTAACATAACTC: \n(\d*)',text)
df=pd.DataFrame(results)
# df.columns=['FileName','Seq_132582_1','Seq_483974_49238'] #This doesn't work
print(df)

Answer 1

只需将您的正则表达式替换为以下代码行：

re.findall(r'Counting[*]+File:[ ]*([\w.]+)[ \n]*[ :\w]+[\n]*(\w+)[\n]*[ :\w]+[\n]*(\w+)', text)

说明：

• [*]+ - 匹配一个或多个 * 字符
• [ ]* - 匹配一个或多个 （空格）字符
• ([\w.]+) - 匹配文件名并作为第一个 paranthasis 计算
• [ \n]* - 匹配零个或多个空格或换行符
• [ :\w]+ - 匹配以Seq 开头的整行

在正则表达式中获取序列的核心逻辑如下：

([\w.]+)[ \n]*[ \w]+:[ :\w]+[\n]*(\w+)

• 首先将文件名与([\w.]+) 匹配后，我们使用[ \n]* 匹配空格和新行，
• 之后，如果你想解析你正在解析的序列的名称，你可能需要单独保留[ \w]+:[ :\w]+并将其用作([ \w])+:[ :\w]+，paranthisis可以匹配你可以提取序列，可以是Seq_132582_1或Seq_483974_49238 , 但是如果不考虑顺序，那么您可以简单地将其替换为 [ :\w]+[\n]* 并匹配整行并将下一行所需的数据与 (\w+) 匹配

另一种更简单的方法是在不使用re模块的情况下提取数据以准备结果如下所示：

results = []
f = open("content.txt", 'r')

while True:
    line = f.readline()
    if not line:
        break
    file_name = line.split(":")[-1].strip()
    f.readline()  # skip line 
    data_seq1 = f.readline().strip()
    f.readline()  # skip line 
    data_seq2 = f.readline().strip()
    results.append((file_name, data_seq1, data_seq2))