将具有不同后缀的两个文件加载到一个数据帧中

Question

我有一个文件目录：

dog_A_final.bed
dog_B_final.bed
bird_A_final.bed
bird_B_final.bed
cat_A_final.bed
cat_B_final.bed

我想一次只添加两个文件到df，基于它们的前缀 - 所以dog_A_final.bed和dog_B_final.bed会进入一个df。

该目录有数百个文件，所以我想加载它们然后自动运行合并（与另一个数据集）在一个自动输出prefix.csv（例如dog.csv）。

我知道我可以使用以下方法将所有这些文件添加到一个数据帧：

path = r'C:\\data\\'              
all_files = glob.glob(os.path.join(path, "*.bed")) 

df_from_each_file = (pd.read_csv(f, sep='\t') for f in all_files)
dfall = pd.concat(df_from_each_file, ignore_index=True)

我不知道是否有一些修改是一次两个文件的方式。

Answer 1

将您的代码放在一个函数中：

def read_two(files):
    df_from_each_file = (pd.read_csv(f, sep='\t') for f in files)
    return pd.concat(df_from_each_file, ignore_index=True)

您可以通过前缀订购名称：

import os 

byname = {}
for name in all_files:
    short_name = os.path.split(name)[-1]
    byname.setdefault(short_name.split('_', 1)[0], []).append(name)

现在byname看起来像这样：

{'bird': ['bird_A_final.bed', 'bird_B_final.bed'],
 'cat': ['cat_A_final.bed', 'cat_B_final.bed'],
 'dog': ['dog_A_final.bed', 'dog_B_final.bed']}

现在，通过前缀将所有数据帧放入字典中：

dfs = {name: read_two(files) for name, files in byname.items()}

现在，您可以访问dict dfs中的数据框：

{'bird': <bird_df>,
 'cat': <cat_df>,
 'dog': <dog_df>}

像这样：

dogdf = dfs['dog']

或者循环处理：

for name, df in dfs.items():
     merged = df.merge(animals, on=['col'])
     merged.to_csv('{}.csv'.format(name))