如何在csv文件的兩列中找到重複項，然後在Python中進行組合？

Question

我正在處理一個蛋白質 - 蛋白質相互作用的大型數據集，我在一個.csv文件中。前兩列是相互作用的蛋白質，順序無關緊要（即A/B與B/A相同，因此它們是重複的）。還有第三欄，這些相互作用發表在哪裏的來源。重複對可以來自相同的來源或不同的來源。

對於來自兩個或多個來源的重複項，我如何組合它們，然後在第三列中列出一個交互項的所有來源？ （即對於交互作用A/B，重複項將是A/B和B/A）。

這裏是列的一個例子：

Interactor A   Interactor B    Source 
A     B       Mary (2005) 
C     D       John (2004) 
B     A       Mary (2005) 
A     B       Steve (1993) 
D     C       Steve (1993) 

在這種情況下，我需要

Interactor A   Interactor B    Source 
A     B       Mary (2005), Steve (1993) 
C     D       John (2004), Steve (1993) 

謝謝！

Answer 1

你可以使用分類tuple作爲字典鍵聚集它們（使A, B和B, A等同，元組可用作字典鍵，因爲它是不可改變的，可哈希 - 列表都沒有）。使用set來存儲彙總值並避免重複。

我還扔在defaultdict，使之更好的與集合值：

from collections import defaultdict 
import csv 

# ... read values using a csv reader (assuming name csv_reader) 

result = defaultdict(set) 
for row in csv_reader: 
    # create same key for `A, B` and `B, A` 
    key = tuple(sorted([row[0], row[1]])) 
    result[key].add(row[2]) 

# result should now contain all aggregated values