首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >从两个单独的列表中提取信息

从两个单独的列表中提取信息
EN

Stack Overflow用户
提问于 2014-05-08 11:20:39
回答 2查看 78关注 0票数 1

我想使用python从一个大文件中提取某些信息。我有3个输入文件。第一个输入文件(input_file)是数据文件,它是一个3列选项卡分隔的文件,如下所示:

代码语言:javascript
复制
engineer-n imposition-n 2.82169386609e-05
motor-n imposition-n 0.000102011705117
creature-n imposition-n 0.000121321951973
bomb-n imposition-n 0.000680302090112
sedation-n oppression-n 0.000397074586994
roadblock-n oppression-n 5.96190620847e-05
liability-n oppression-n 0.012845281978
currency-n oppression-n 0.000793989880202

第二个输入文件(colA_file)是一个1列列表,如下所示:

代码语言:javascript
复制
bomb-n
sedation-n
roadblock-n
surrender-n

第三个输入文件(colB_file)也是一个1列列表(对具有不同信息的colA_file无效),如下所示:

代码语言:javascript
复制
adjective-n
homeless-n
imposition-n
oppression-n

我想从colA和colB中找到的输入文件中提取信息。使用我提供的示例数据,这意味着过滤除以下行之外的所有信息:

代码语言:javascript
复制
bomb-n imposition-n 0.000680302090112
sedation-n oppression-n 0.000397074586994
roadblock-n oppression-n 5.96190620847e-05

为了解决这个问题,我用Python编写了以下代码:

代码语言:javascript
复制
def test_fnc(input_file, colA_file, colB_file, output_file):
    nounA = []
    with open(colA_file, "rb") as opened_colA:
        for aLine in opened_colA:
            nounA.append(aLine.strip())
            #print nounA

    nounB = []
    with open(colB_file, "rb") as opened_colB:
        for bLine in opened_colB:
            nounB.append(bLine.strip())
            #print nounB

    with open(output_file, "wb") as outfile:
        with open(input_file, "rb") as opened_input:
            for cLine in opened_input:
                splitted_cLine = cLine.split()
                #print splitted_cLine
                if splitted_cLine[0] in nounA and splitted_cLine[1] in nounB:
                    outstring = "\t".join(splitted_cLine)
                    outfile.write(outstring + "\n")

test_fnc(input_file, colA_file, colB_file, output_file)

但是,它只输出1行,好像它没有迭代所提供的列表输入。我的列表似乎也是相互附加的,从一个项开始,然后在每个附加项中递增。因此,我亦尝试参考以下名单:

代码语言:javascript
复制
    for bLine in opened_colB:
        nounB = bLine

结果和上面一样。

EN

回答 2

Stack Overflow用户

回答已采纳

发布于 2014-05-08 13:32:15

如果您不介意依赖项,我将使用pandasnumpy。使用pandas.DataFrame,您可以对其列执行isin检查。否则,我建议使用集合,因为regex应该要慢得多。就像这样:

代码语言:javascript
复制
with open(colA_file, "rb") as file_h:
    noun_a = set(line.strip() for line in file_h)

with open(colB_file, "rb") as file_h:
    noun_b = set(line.strip() for line in file_h)

with open(output_file, "wb") as outfile:
    with open(input_file, "rb") as opened_input:
        for line in opened_input:
            split_line = line.split()
            if split_line[0] in noun_a and split_line[1] in noun_b:
                outfile.write(line)
票数 1
EN

Stack Overflow用户

发布于 2014-05-08 11:32:24

代码语言:javascript
复制
import re

nounA=[]
with open('col1.txt', "rb") as opened_colA:
    for aLine in opened_colA:
        nounA.append(aLine.strip())

patterns = [r'\b%s\b' % re.escape(s.strip()) for s in nounA]
col1 = re.compile('|'.join(patterns))
nounB=[]
with open('col2.txt', "rb") as opened_colA:
    for aLine in opened_colA:
        nounB.append(aLine.strip())

patterns = [r'\b%s\b' % re.escape(s.strip()) for s in nounB]
col2 = re.compile('|'.join(patterns))

with open('test1.txt', "rb") as opened_colA:
    for aLine in opened_colA:
        if col1.search(aLine):
            if col2.search(aLine):
                print aLine

# just write aline to your output file.

解释:首先,我使用colA中的所有单词并生成正则表达式;与col2类似。现在,使用这个正则表达式,我搜索输入文件并打印结果。

'\b'是词的边界。如果您正在搜索一个单词'cat',但它可能会找到'catch',那么'\b'对于只查找单词'cat'是有用的。

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/23540309

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档