比对两文件ID差异忽略GCF/GCA前缀时出现异常结果的问题咨询

你当前代码的核心错误是直接对带不同前缀的ID做字符串精确匹配：文件1提取的ID全是GCF_开头，文件2提取的ID全是GCA_开头，哪怕后缀数字完全一致，两个字符串也不相等，因此所有ID都会被误判为不存在。

核心思路是剥离GCF/GCA的前缀差异，仅用后缀的数字+版本号作为匹配依据，具体实现逻辑：

• 读取文件内容后，用兼容两种前缀的正则提取ID，同时捕获后缀数字部分作为唯一匹配键
• 将两个文件的匹配键存入集合，通过集合差集运算快速找出独有的条目
• 输出时按要求将前缀第三位替换为*通配符

修复后的可直接运行代码：

import re

# 读取两个目标文件
with open("assembly_summary_genbank.txt", 'r') as f1:
    content1 = f1.read()
with open("assembly_summary_refseq.txt", 'r') as f2:
    content2 = f2.read()

# 提取ID后缀作为匹配键：忽略GCF/GCA前缀差异，仅保留_数字.版本号部分
# 正则中GC[FA]可同时匹配GCF、GCA两种前缀，括号内捕获的内容就是需要的匹配键
id_suffix_set1 = set(re.findall(r"GC[FA]_([0-9]+\.[0-9])", content1))
id_suffix_set2 = set(re.findall(r"GC[FA]_([0-9]+\.[0-9])", content2))

# 查找仅在文件1存在、文件2缺失的ID
for miss_suffix in id_suffix_set1 - id_suffix_set2:
    print(f"GC*_{miss_suffix} 不存在于文件2中")

# 如需查找仅在文件2存在、文件1缺失的ID，取消下面代码注释即可
# for miss_suffix in id_suffix_set2 - id_suffix_set1:
#     print(f"GC*_{miss_suffix} 不存在于文件1中")

• 正则写法更简洁：用GC[FA]同时兼容两种前缀，不需要为两个文件写不同的匹配规则
• 匹配逻辑更准确：完全剥离无意义的前缀差异，不会出现前缀不同导致的误判
• 运行效率更高：用集合做差集的时间复杂度远低于循环遍历列表做成员判断，处理大文件时速度优势明显
• 输出格式完全符合要求，用*通配前缀差异

内容的提问来源于stack exchange，提问作者Someone_1313