如何比较集群？

Question

希望可以用python完成！我在相同的数据上使用了两个集群程序，而现在两个都有一个集群文件。我重新格式化了文件，使它们看起来像这样：

Cluster 0:
Brucellaceae(10)
    Brucella(10)
        abortus(1)
        canis(1)
        ceti(1)
        inopinata(1)
        melitensis(1)
        microti(1)
        neotomae(1)
        ovis(1)
        pinnipedialis(1)
        suis(1)
Cluster 1:
    Streptomycetaceae(28)
        Streptomyces(28)
            achromogenes(1)
            albaduncus(1)
            anthocyanicus(1)

etc.

这些文件包含细菌种类信息。因此，我有了簇号（簇0），然后是它的“家族”（布鲁氏菌科）正下方，以及那个家族中的细菌数（10）。在此之下的是该科中发现的属（名称后跟数字Brucella（10）），最后是每个属中的物种（abortus（1）等）。

我的问题：我用这种方式格式化了2个文件，并希望编写一个程序来查找两者之间的差异。唯一的问题是两个程序的群集方式不同，因此即使实际的“群集号”不同，两个群集也可能相同（因此，一个文件中群集1的内容可能与另一个文件中群集43的匹配，唯一不同的是实际群集号）。因此，我需要采取一些措施来忽略群集编号，并专注于群集内容。

有什么办法可以比较这两个文件来检查差异吗？可能吗？任何想法将不胜感激！

Answer 1

鉴于：

file1 = '''Cluster 0:
 giant(2)
  red(2)
   brick(1)
   apple(1)
Cluster 1:
 tiny(3)
  green(1)
   dot(1)
  blue(2)
   flower(1)
   candy(1)'''.split('\n')
file2 = '''Cluster 18:
 giant(2)
  red(2)
   brick(1)
   tomato(1)
Cluster 19:
 tiny(2)
  blue(2)
   flower(1)
   candy(1)'''.split('\n')

这是你需要的吗？

def parse_file(open_file):
    result = []

    for line in open_file:
        indent_level = len(line) - len(line.lstrip())
        if indent_level == 0:
            levels = ['','','']
        item = line.lstrip().split('(', 1)[0]
        levels[indent_level - 1] = item
        if indent_level == 3:
            result.append('.'.join(levels))
    return result

data1 = set(parse_file(file1))
data2 = set(parse_file(file2))

differences = [
    ('common elements', data1 & data2),
    ('missing from file2', data1 - data2),
    ('missing from file1', data2 - data1) ]

要查看差异：

for desc, items in differences:
    print desc
    print 
    for item in items:
        print '\t' + item
    print

印刷

common elements

    giant.red.brick
    tiny.blue.candy
    tiny.blue.flower

missing from file2

    tiny.green.dot
    giant.red.apple

missing from file1

    giant.red.tomato