当前位置: 首页 > 面试题库 >

熊猫可以将可变长的空格作为列分隔符吗?

孟嘉歆
2023-03-14
问题内容

我有一个文本文件,其中的列由可变数量的空格分隔。是否可以在不进行预处理的情况下直接将该文件作为pandas数据框加载?在pandas文档中,定界符部分说我可以使用一种's*'构造,但是我无法使用它。

## sample data
head sample.txt

#                                                                            --- full sequence --- -------------- this domain -------------   hmm coord   ali coord   env coord
# target name        accession   tlen query name           accession   qlen   E-value  score  bias   #  of  c-Evalue  i-Evalue  score  bias  from    to  from    to  from    to  acc description of target
#------------------- ---------- ----- -------------------- ---------- ----- --------- ------ ----- --- --- --------- --------- ------ ----- ----- ----- ----- ----- ----- ----- ---- ---------------------
ABC_membrane         PF00664.18   275 AAF67494.2_AF170880  -            615     8e-29  100.7  11.4   1   1     3e-32     1e-28  100.4   7.9     3   273    42   313    40   315 0.95 ABC transporter transmembrane region
ABC_tran             PF00005.22   118 AAF67494.2_AF170880  -            615   2.6e-20   72.8   0.0   1   1   1.9e-23   6.4e-20   71.5   0.0     1   118   402   527   402   527 0.93 ABC transporter
SMC_N                PF02463.14   220 AAF67494.2_AF170880  -            615   3.8e-08   32.7   0.2   1   2    0.0036        12    4.9   0.0    27    40   391   404   383   408 0.86 RecF/RecN/SMC N terminal domain
SMC_N                PF02463.14   220 AAF67494.2_AF170880  -            615   3.8e-08   32.7   0.2   2   2   1.8e-09   6.1e-06   25.4   0.0   116   210   461   568   428   575 0.85 RecF/RecN/SMC N terminal domain
AAA_16               PF13191.1    166 AAF67494.2_AF170880  -            615   3.1e-06   27.5   0.3   1   1     2e-09     7e-06   26.4   0.2    20   158   386   544   376   556 0.72 AAA ATPase domain
YceG                 PF02618.11   297 AAF67495.1_AF170880  -            284   3.4e-64  216.6   0.0   1   1   2.9e-68     4e-64  216.3   0.0    68   296    53   274    29   275 0.85 YceG-like family
Pyr_redox_3          PF13738.1    203 AAF67496.2_AF170880  -            352   2.9e-28   99.1   0.0   1   2   2.8e-30   4.8e-27   95.2   0.0     1   201     4   198     4   200 0.85 Pyridine nucleotide-disulphide oxidoreductase

#load data
from pandas import *
data = read_table('sample.txt', skiprows=3, header=None, sep=" ")

ValueError: Expecting 83 columns, got 91 in row 4

#load data part 2
data = read_table('sample.txt', skiprows=3, header=None, sep="'s*' ")
#this mushes some of the columns into the first column and drops the rest.
    X.1
1    ABC_tran PF00005.22 118 AAF67494.2_
2    SMC_N PF02463.14 220 AAF67494.2_
3    SMC_N PF02463.14 220 AAF67494.2_
4    AAA_16 PF13191.1 166 AAF67494.2_
5    YceG PF02618.11 297 AAF67495.1_
6    Pyr_redox_3 PF13738.1 203 AAF67496.2_
7    Pyr_redox_3 PF13738.1 203 AAF67496.2_
8    FMO-like PF00743.14 532 AAF67496.2_
9    FMO-like PF00743.14 532 AAF67496.2_

虽然我可以预处理文件以将空格更改为逗号/制表符,但直接加载它们会很好。

(仅供参考,这是hmmscan程序的* .hmmdomtblout输出)


问题答案:

我认为\文档中仅缺少一个(也许是因为它在某些时候被解释为转义标记?)毕竟是正则表达式:

In [68]: data = read_table('sample.txt', skiprows=3, header=None, sep=r"\s*")

In [69]: data
Out[69]: 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 7 entries, 0 to 6
Data columns:
X.1     7  non-null values
X.2     7  non-null values
X.3     7  non-null values
X.4     7  non-null values
X.5     7  non-null values
X.6     7  non-null values
[...]
X.23    7  non-null values
X.24    7  non-null values
X.25    5  non-null values
X.26    3  non-null values
dtypes: float64(8), int64(10), object(8)

由于@MRAB指出了定界符问题,因此最后几列存在一些问题:

In [73]: data.ix[:,20:]
Out[73]: 
   X.21  X.22           X.23                   X.24            X.25    X.26
0   315  0.95            ABC            transporter   transmembrane  region
1   527  0.93            ABC            transporter            None    None
2   408  0.86  RecF/RecN/SMC                      N        terminal  domain
3   575  0.85  RecF/RecN/SMC                      N        terminal  domain
4   556  0.72            AAA                 ATPase          domain    None
5   275  0.85      YceG-like                 family            None    None
6   200  0.85       Pyridine  nucleotide-disulphide  oxidoreductase    None

但这可以在最后修复。



 类似资料:
  • 问题内容: 我有一个像这样的电子表格: 我不想手动将列与行交换。是否可以使用熊猫将数据读取到列表中,如下所示: 问题答案: 是的,使用set_index可以创建行索引。 如果未提供,则返回修改后的数据帧。 例:

  • 问题内容: 这是我面临的常见任务:将一个空格分隔的列表分为一个 head 元素和一个包含 tail 元素的数组。例如,给定以下字符串: 我们想要: ..在两个不同的变量中。第一个变量应为字符串,第二个变量为数组。我正在寻找一种做到这一点的 优雅 方法(最好是在Java中)。 问题答案: 对于某些高雅的价值观: 我想不出一种用更少的代码来做到这一点的方法…

  • 问题内容: 我需要通过使用方法从文件中读取数据来创建数据框。但是,分隔符不是很规则:一些列由制表符()分隔,另一些则由空格分隔。此外,某些列可以用2或3个或更多的空格隔开,甚至可以用空格和制表符的组合(例如3个空格,两个制表符然后是1个空格)隔开。 有没有办法告诉熊猫正确对待这些文件? 顺便说一句,如果我使用Python,则不会出现此问题。我用: 而且效果很好。不管字段之间是否有2或3个空格。即使

  • 问题内容: 我有类似的东西 就像 是否有可能使它更像 既然我想要的数据还是文本的? 问题答案: 您可以使用@XmlList使其成为空格分隔的值。 对于以逗号分隔的列表,您将需要使用XmlAdapter。有关XmlAdapter的更多信息,请参见: http://bdoughan.blogspot.com/2010/07/xmladapter-jaxbs-secret-weapon.html

  • 问题内容: 我有以下内容: 打印出此数组中的所有元素可以得到以下信息: 如何通过单词之间至少有一个空格的要求来拆分元素? 换句话说,我希望我的元素是: 问题答案: 使用对空间分割,即使他们都多。 完整示例:http : //ideone.com/CFVr6N 编辑: 如果您还想在选项卡上拆分,请将正则表达式更改为,它将同时检测空格和选项卡。

  • 我有一个看起来像这样的数据集(最多5列-但可以更少) 我试图使用pandas read_表将其读入一个5列数据帧。我想在没有额外按摩的情况下阅读这篇文章。 如果我尝试 我得到一个错误-“列名有5个字段,数据有3个字段”。 有没有办法让熊猫在读取数据的同时为缺失的列填写NaN?