使用从第一列派生的关系，从两列文件的第二列构造边缘列表

Question

我有一个问题，我有一个几百万行的文件，排列方式如下：

1    Protein_A
1    Protein_B
2    Protein_A 
3    Protein_C
4    Protein_A
4    Protein_B
4    Protein_C
4    Protein_D
5    Protein_C
5    Protein_D

其中第一列表示相互作用途径，第二列表示蛋白质的ID。有没有人能推荐一种有效的方法，我可以将其归入每个网络中仅有(非互惠的)相互作用的边缘列表中，例如：

1    Protein_A,Protein_B
4    Protein_A,Protein_B
4    Protein_A,Protein_C
4    Protein_A,Protein_D
4    Protein_B,Protein_C
5    Protein_C,Protein_D
5    Protein_C,Protein_D

或者告诉我在哪里可以找到这样的数据？

我尝试了一个shell脚本，它缓慢地迭代文件，并删除文件末尾的新行，结果如下：

1    Protein_A    1    Protein_B

然后可以将其加工成边缘，但是如果网络中有两个以上的蛋白质，这就不起作用。我一片空白。有人能帮帮忙吗？

提前谢谢你。

Answer 1

使用python和一些智能模块相当容易。我已经将文件内容嵌入到一个字符串中。只需替换为data = open("input.txt")即可从文件中读取(也可迭代)。

我创建了一个字典，将数字作为关键字，将与数字匹配的蛋白质列表作为值。

构建完成后，我使用大小为2的itertools.combinations生成列表，并在生成过程中输出密钥。

import re
import collections,itertools

data="""1    Protein_A
1    Protein_B
2    Protein_A
3    Protein_C
4    Protein_A
4    Protein_B
4    Protein_C
4    Protein_D
5    Protein_C
5    Protein_D""".split("\n")

d = collections.defaultdict(lambda : list())

for l in data:
    fields = re.split("\s+",l.strip())
    d[int(fields[0])].append(fields[1])

for k,v in d.items():
    for a,b in itertools.combinations(v,2):
        print(k,a,b)

结果：

(1, 'Protein_A', 'Protein_B')
(4, 'Protein_A', 'Protein_B')
(4, 'Protein_A', 'Protein_C')
(4, 'Protein_A', 'Protein_D')
(4, 'Protein_B', 'Protein_C')
(4, 'Protein_B', 'Protein_D')
(4, 'Protein_C', 'Protein_D')
(5, 'Protein_C', 'Protein_D')