如何用Python移除CSV中Length和Protein Name列符合条件的行？

作为生物信息数据分析领域的新手，你已经完成了读取CSV文件的基础工作，很棒！接下来我们可以一步步实现针对Length和Protein Name列的筛选逻辑，最终得到你需要的数据集。

第一步：优化基础读取代码（更安全规范） #

你当前的代码已经能读取文件，但用with语句可以自动帮你关闭文件，避免资源泄漏，同时让代码更简洁：

import csv

# 用with语句打开文件，自动管理资源
input_file_path = r'C:\Users\Admin\Downloads\csv.csv'
header = []
rows = []

with open(input_file_path, 'r', newline='', encoding='utf-8') as file:
    csvreader = csv.reader(file)
    header = next(csvreader)  # 获取列头
    rows = list(csvreader)    # 一次性读取所有行

print("列头:", header)

第二步：定位目标列的索引 #

首先我们需要找到Length和Protein Name在列头中的位置，这样才能准确获取每行对应的数值/文本：

# 获取目标列的索引
try:
    length_col_idx = header.index('Length')
    protein_name_col_idx = header.index('Protein Name')
except ValueError as e:
    print(f"错误：找不到指定列 - {e}")
    exit()  # 如果列不存在，终止程序

第三步：定义你的筛选条件 #

接下来需要明确你要移除哪些行，这里我会给出几个常见的示例条件，你可以根据实际需求修改：

示例条件1：移除Length不在合理范围的行 #

比如移除Length小于50或者大于2000的行：

def should_keep_row(row):
    # 先处理Length列（注意要转成数值类型，因为CSV读取的是字符串）
    try:
        length = int(row[length_col_idx])
    except ValueError:
        # 如果Length不是数字，也可以选择移除或保留，这里示例移除
        return False
    
    # 处理Protein Name列
    protein_name = row[protein_name_col_idx].strip()
    
    # 定义保留条件（也就是反向的移除条件）：Length在50-2000之间，且Protein Name不为空
    return 50 <= length <= 2000 and protein_name != ''

示例条件2：移除Protein Name包含特定关键词的行 #

比如移除Protein Name中包含"hypothetical"或"unknown"的行：

def should_keep_row(row):
    protein_name = row[protein_name_col_idx].strip().lower()
    # 保留不包含指定关键词的行
    return 'hypothetical' not in protein_name and 'unknown' not in protein_name

你可以根据自己的实际需求，修改should_keep_row函数里的逻辑，只要函数返回True就保留该行，返回False就移除。

第四步：筛选行并保存结果 #

最后，我们把符合条件的行筛选出来，写入一个新的CSV文件：

# 筛选符合条件的行
filtered_rows = [header]  # 先保留列头
for row in rows:
    if should_keep_row(row):
        filtered_rows.append(row)

# 写入新的CSV文件
output_file_path = r'C:\Users\Admin\Downloads\filtered_genome_data.csv'
with open(output_file_path, 'w', newline='', encoding='utf-8') as out_file:
    csvwriter = csv.writer(out_file)
    csvwriter.writerows(filtered_rows)

print(f"筛选完成！结果已保存到: {output_file_path}")

完整代码整合 #

把上面的步骤整合在一起，就是完整的处理代码：

import csv

def main():
    input_file_path = r'C:\Users\Admin\Downloads\csv.csv'
    output_file_path = r'C:\Users\Admin\Downloads\filtered_genome_data.csv'

    # 读取原始数据
    header = []
    rows = []
    with open(input_file_path, 'r', newline='', encoding='utf-8') as file:
        csvreader = csv.reader(file)
        header = next(csvreader)
        rows = list(csvreader)
    
    # 定位目标列
    try:
        length_col_idx = header.index('Length')
        protein_name_col_idx = header.index('Protein Name')
    except ValueError as e:
        print(f"错误：找不到指定列 - {e}")
        return
    
    # 定义筛选逻辑（这里替换成你的实际条件）
    def should_keep_row(row):
        # 处理Length列
        try:
            length = int(row[length_col_idx])
        except ValueError:
            return False  # 移除Length不是数字的行
        
        # 处理Protein Name列
        protein_name = row[protein_name_col_idx].strip().lower()
        
        # 示例条件：Length在50-2000之间，且Protein Name不包含unknown/hypothetical
        return 50 <= length <= 2000 and 'unknown' not in protein_name and 'hypothetical' not in protein_name
    
    # 筛选行
    filtered_rows = [header]
    for row in rows:
        if should_keep_row(row):
            filtered_rows.append(row)
    
    # 保存结果
    with open(output_file_path, 'w', newline='', encoding='utf-8') as out_file:
        csvwriter = csv.writer(out_file)
        csvwriter.writerows(filtered_rows)
    
    print(f"处理完成！共保留了 {len(filtered_rows)-1} 行数据（不含列头），结果已保存到 {output_file_path}")

if __name__ == "__main__":
    main()

新手提示 #

• 一定要先确认Length列的数值格式：如果你的Length是浮点数，把int()改成float()即可。
• 如果不确定筛选逻辑是否正确，可以先打印几行测试数据，看看should_keep_row的返回值是否符合预期。
• 处理大文件时（3500行其实不算大），也可以边读边写，不需要一次性把所有行读到内存里，不过3500行完全没问题。

内容的提问来源于stack exchange，提问作者Pradeep Kumar S