如何基于多份制表符分隔文件生成水果频率统计表格并导出

首先先帮你修正原代码里的一个小bug：循环读取文件内容时，你写的是for line in file，但这里的file是文件路径字符串，应该改成for line in input（也就是你打开的文件对象），不然会遍历路径的字符而非文件的行，直接导致错误。

接下来针对你的需求，我给你两种实用的实现方案，包括你提到的numpy相关思路，以及更简便的高效方案：

方案一：用Pandas快速处理（推荐） #

Pandas天生适合处理这种表格型的聚合与导出需求，代码简洁且易维护，能自动帮你处理「某水果在某文件中不存在」的场景：

import glob
import os
import pandas as pd

input_directory = "./your_input_dir/"  # 替换成你的实际路径
file_list = glob.glob(input_directory + "*.txt")

# 收集所有文件的数据，添加文件名作为标识列
dfs = []
for file_path in file_list:
    shortname = os.path.basename(file_path)
    # 读取tab分隔文件，指定列名与数据类型
    df = pd.read_csv(file_path, sep="\t", names=["fruit", "frequency"], dtype={"frequency": int})
    df["filename"] = shortname
    dfs.append(df)

# 合并所有数据到一个DataFrame
combined_df = pd.concat(dfs, ignore_index=True)

# 转成透视表：行是水果名，列是文件名，值为频率，缺失项填充为0
pivot_df = combined_df.pivot_table(
    index="fruit",
    columns="filename",
    values="frequency",
    fill_value=0,
    aggfunc="sum"  # 若同一文件内有重复水果，自动求和
)

# 导出为tab分隔的结果文件
pivot_df.to_csv("fruit_frequency_summary.txt", sep="\t")

方案二：纯Python实现（无需第三方库） #

如果你不想依赖pandas，也可以用纯Python完成，核心是先收集所有水果和文件名的全集，再逐个组合检查频率：

import glob
import os
from collections import defaultdict

input_directory = "./your_input_dir/"
file_list = glob.glob(input_directory + "*.txt")

# 用嵌套字典存储数据：master_dict[水果名][文件名] = 频率
master_dict = defaultdict(dict)
all_filenames = []

for file_path in file_list:
    shortname = os.path.basename(file_path)
    all_filenames.append(shortname)
    with open(file_path, "r") as f:
        for line in f:
            line = line.strip()
            if not line:
                continue
            fruit, frequency = line.split("\t")
            master_dict[fruit][shortname] = int(frequency)

# 获取所有水果的集合
all_fruits = list(master_dict.keys())

# 生成输出内容（含表头）
output_lines = ["fruit\t" + "\t".join(all_filenames)]
for fruit in all_fruits:
    freq_values = []
    for filename in all_filenames:
        # 检查该水果在当前文件是否存在，不存在则填0
        freq_values.append(str(master_dict[fruit].get(filename, 0)))
    output_lines.append(fruit + "\t" + "\t".join(freq_values))

# 写入结果文件
with open("fruit_frequency_summary.txt", "w") as f:
    f.write("\n".join(output_lines))

关于Numpy的实现思路 #

Numpy确实可以用来存储这类数据，但它更擅长处理纯数值型数组，对于带字符串标签（水果名、文件名）的表格，需要额外做索引映射：

1. 将所有水果名映射为整数索引（比如fruit_to_idx = {fruit: i for i, fruit in enumerate(all_fruits)}）
2. 将所有文件名映射为整数索引（file_to_idx = {name: i for i, name in enumerate(all_filenames)}）
3. 创建一个全0的numpy数组，形状为(len(all_fruits), len(all_filenames))
4. 遍历收集到的频率数据，给对应索引位置赋值
5. 最后将数组与标签组合，导出为tab分隔文件

不过这种方法比前两种方案繁琐很多，除非你需要后续对数值做大量numpy运算，否则不太推荐。

内容的提问来源于stack exchange，提问作者superasiantomtom95