Python处理Tab分隔文件时如何正确获取指定列的唯一值

核心逻辑错误定位 #

• 未提前定义全局跨行的去重存储容器，将集合生成操作放在单行循环内部，完全没有实现覆盖所有文件行的全局去重逻辑
• 误将完整特征字符串直接传入set()构造函数，触发了字符拆分的非预期行为

典型逻辑误区：set()方法接收可迭代对象作为参数，字符串属于可迭代对象，因此传入完整字符串时不会把字符串当作单个值存入集合，而是会遍历每个字符生成集合元素。比如对"ORF"执行set("ORF")会得到{'O', 'R', 'F'}，对"CDS"执行set("CDS")会得到{'C', 'D', 'S'}，和错误输出样例完全匹配。

正确实现思路 #

• 提前初始化空集合作为全局去重容器，利用集合自动过滤重复值的特性存储所有提取到的第二列值，无需手动做重复判断
• 逐行读取文件时增加边界判断，跳过空行、列数不足的异常行，避免脚本报错中断
• 全文件读取完成后，再遍历去重后的集合，逐行打印完整的特征值

修正后的可运行代码 #

# 初始化全局去重集合，自动过滤重复值
unique_feature_set = set()

# 使用上下文管理器打开文件，自动处理文件关闭逻辑
with open("SGD_features.tab", "r", encoding="utf-8") as f:
    for line in f:
        # 去除行首尾的换行、空白字符
        stripped_line = line.strip()
        # 跳过空行
        if not stripped_line:
            continue
        # 按制表符拆分列内容
        line_elements = stripped_line.split("\t")
        # 边界判断：确保列数足够提取第二列
        if len(line_elements) >= 2:
            # 提取第二列（索引1）的值，去除多余空白后加入集合
            target_feature = line_elements[1].strip()
            unique_feature_set.add(target_feature)

# 逐行打印去重后的完整特征值
for feature in unique_feature_set:
    print(feature)

输出效果 #

代码运行后会输出所有不重复的第二列完整特征值，和预期的ORF、CDS、ARS、telomere、telomeric_repeat、X_element等完整取值格式一致，不会出现单字符拆分的问题。

内容的提问来源于stack exchange，提问作者Valy1004