如何去除基因列表重复行，仅保留每个基因ID的最高得分条目？

嘿，这个需求在基因数据分析里太常见了！我给你两个实用的解决方案，不管你习惯用Python写脚本还是直接用命令行工具，都能快速搞定这2万行数据：

Pandas是处理表格数据的神器，代码简洁易懂，还能轻松应对大文件：

1. 先确保你已经安装了pandas（没装的话用pip install pandas搞定）
2. 运行下面的脚本：

import pandas as pd

# 读取你的数据文件，假设是空格分隔，没有表头（如果有表头就把header=None去掉）
df = pd.read_csv("your_input_file.txt", sep="\s+", header=None, names=["gene_id", "fixed_str", "score"])

# 核心操作：先按得分降序排序，再按基因ID去重（保留第一个也就是得分最高的条目）
# 最后可选按原索引排序，还原大致的原始顺序
result_df = df.sort_values(by="score", ascending=False).drop_duplicates(subset="gene_id").sort_index()

# 把结果保存到新文件，同样用空格分隔，不保留索引和表头
result_df.to_csv("unique_genes_top_score.txt", sep=" ", index=False, header=False)

如果你不想写Python脚本，直接用系统自带的Awk更快捷，适合在终端里直接操作：

# 遍历每一行，记录每个基因ID的最高得分及对应行
awk '{
    if ($3 > max[$1] || !($1 in max)) {
        max[$1] = $3
        full_line[$1] = $0
    }
} 
# 处理完所有行后，输出每个基因ID的最高得分条目
END {
    for (gene in full_line) {
        print full_line[gene]
    }
}' your_input_file.txt > unique_genes_top_score.txt

小提示： #

• 如果你的数据是制表符分隔，不用修改上面的代码，因为Pandas的\s+和Awk的默认分隔符都能识别空白（空格/制表符）
• 如果原始文件有表头，Python里去掉header=None，Awk里加NR>1（比如awk 'NR>1 { ... }'）跳过第一行就行

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