python处理bed格式文件

处理bed文件，把第四列内容拆分提取出来
去除字符串出现重复的行，保留ENSG后编码最小的数值所在行
例如

，仅保留编号为183889的编号所在行，去除233024和214967编号所在行
存放在字典里，
并输出为json文件
字典名为patient_genename
例子：""ENSG00000186092"": ""OR4F5"","处理为patient_genename['ENSG00000186092']='OR4F5'

import pandas as pd
import json
import os

def bedToJson():
    # bed -> json
    df = pd.read_csv('Homo_sapiens.GRCh37.75.chr.pc.gene.bed', sep='\t')
    df.columns = ['A', 'B', 'C', 'D', 'E', 'F']
    df.dropna(axis=0, how='all', inplace=True)
    df['D'] = df['D'].apply(lambda x: str(x).replace("\"", "").replace(",", "").replace(" ", ""))
    df['D1'] = df['D'].apply(lambda x: str(x).split(":")[0][9:])
    df['D2'] = df['D'].apply(lambda x: str(x).split(":")[1])
    df['D3'] = df['D'].apply(lambda x: str(x).split(":")[0])
    df = df.iloc[df.groupby('D2').apply(lambda o: o['D1'].astype('int').idxmax())]
    df = df.loc[:, ['D3', 'D2']]
    df_dict = df.set_index('D3')['D2'].to_dict()
    json_data = json.dumps(df_dict, separators=(',', ':'), sort_keys=True, indent=2)
    if os.path.exists("ENGS_genes.json"):
        os.remove("ENGS_genes.json")
    with open('ENGS_genes.json', 'a') as f:
        f.write(json_data)

def dealTsv():
    # 处理之前的tsv
    df = pd.read_csv("TCGA-BRCA.htseq_fpkm.tsv", sep="\t")
    df['tempOne'] = df['Ensembl_ID'].apply(lambda x: x.split(".")[0])
    df['tempTwo'] = df['Ensembl_ID'].apply(lambda x: int(x.split(".")[1]))
    df_new = df.iloc[df.groupby('tempOne').apply(lambda o: o['tempTwo'].idxmax())]
    json_data = pd.read_json("ENGS_genes.json", typ="series")
    json_dict = json_data.to_dict()
    json_key_list = list(json_dict.keys())
    df_new['Ensembl_ID'] = df_new['Ensembl_ID'].apply(lambda x: x.split(".")[0])
    df_new = df_new[df_new['Ensembl_ID'].isin(json_key_list)]
    df_new['Ensembl_ID'] = df_new['Ensembl_ID'].apply(lambda x: json_dict[x])
    df_new = df_new.drop(['tempOne', 'tempTwo'], axis=1)
    df_new.to_csv('pYResult.tsv', sep="\t", index=False)

if __name__ == '__main__':
    bedToJson()
    dealTsv()

文件发一下我帮你弄下

第四列内容相同的行 其他列内容相同吗？
最好能把完整数据给几条，就能知道该怎么处理数据了。

读出每一列 然后以\t（间距几个tab就用几个\t）分行 然后处理