Hashes y diccionarios anidados 'al vuelo'

Las estructuras de datos de Perl conocidas como 'hashes' tienen su equivalente en Python con el nombre de 'diccionarios'. En ellos se accede a un valor (p.e. un número de teléfono) mediante una clave (p.e. un nombre). Los hashes/diccionarios planos son fáciles de implementar en ambos lenguajes:

PERL
my %hash = (); # Definimos un hash vacío
$hash{'Fulano'} = '123456789'; # Introducimos el valor '123456789' con la clave de acceso 'Fulano'

PYTHON
diccionario = {} # Definimos un diccionario vacío
diccionario['Fulano'] = '123456789' # Introducimos el valor '123456789' con la clave de acceso 'Fulano'

Perl va perdiendo gradualmente posiciones frente a Python. Sin embargo, cuando se trata de rellenar valores en diccionarios anidados 'al vuelo', Perl tiene una flexibilidad que no tiene Python. En Perl sólo tenemos que definir un 'hash' vacío y luego podemos ir rellenándolo al nivel que nosotros queramos, haciendo tantos niveles anidados como sean necesarios 'on the fly'. Sin embargo Python necesita que le definamos a priori los niveles de los que va a constar el diccionario. La forma inmediata de hacerlo cada vez que metemos un entrada en el diccionario sería la siguiente:

>>> diccionario = {'clave1':{'clave2':{'clave3':'valor'}}}
>>> diccionario['clave1']['clave2']['clave3']
'valor'

Sin embargo si tenemos que iterar en una gran cantidad de datos con distintos niveles de anidamiento, hay una forma más fácil mediante el módulo defaultdict y las funciones lambda que merecerán un próximo post:

>>> from collections import defaultdict
>>> diccionario = defaultdict(lambda: defaultdict())

De esta forma hemos definido un diccionario con 2 niveles interpuestos entre la raíz y el valor final. Por ejemplo:

>>> diccionario['a']['b'] = 'ab'
>>> dicccionario['a']['d']
'ad'

Sin embargo, si intentamos introducir por ejemplo el siguiente registro en el diccionario, se producirá un mensaje de error:

>>> diccionario['a']['d']['m'] = 'acm'
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'str' object does not support item assignment
 
Si quisiésemos un diccionario con 3 niveles interpuestos entre la raiz y el valor final deberíamos hacer lo siguiente:

>>> diccionario = defaultdict(lambda: defaultdict(lambda: defaultdict()))

Veamos un ejemplo a partir de un archivo SAM/BAM de un alineamiento de lecturas single-end. Supongamos por queremos contar las lecturas del alineamiento que caen en cada cromosoma y, dentro de cada cromosoma, en que hebra. Hay por tanto un total de 2 niveles interpuestos entre la raiz y el valor final:

diccionario/hash -> cromosoma -> hebra -> valor

La forma de informarnos de en que hebra estamos ya la hemos visto en un post anterior.

PERL
my %hash = {};
while (my $line = <SAM>) {    # Lee el archivo SAM línea a línea
    chomp $line;
    if ($line =~ /^@/) {next;}    # Descarta las líneas de cabecera
    else {
        my @chunks = split ("\t",$line);
        my $bitwise = $chunks[1];    # Selecciona la columna del 'bitwise flag'
        my $chr = $chunks[2];    # Selecciona el cromosoma
        my $byte = sprintf("%012b", $bitwise);    # Convierte el número en una cadena de 12 bits
        my $strand = substr($byte, -5, 1);    # Selecciona el bit que indica la hebra de la lectura
        my $strand_name = '';
        if ($strand) {$strand_name = 'reverse';}
        else {$strand_name = 'forward';}
    $hash{$chr}{$strand_name}++;    # Sumamos una lectura a la entrada del hash: facilísimo !!!!!!
        }
    }


PYTHON
diccionario = defaultdict(lambda: defaultdict()) # Definimos un diccionario vacío con 2 niveles de anidamiento
for line in sam_file:
    if line[0] == '@':    # Descarta las líneas de cabecera
        continue
    else:
        chunks = line.split()
        bitwise = int(chunks[1]) # Selecciona la columna del 'bitwise flag'
        chr = str(chunks[2]) # Selecciona el cromosoma
        bits = bin(bitwise) # Transforma a binario, pero con un prefijo '0b'
        bits = bits[2:] # Quita el prefijo '0b'
        byte = "{0:0>12}".format(bits)    # Añade ceros hasta obtener una cadena de 12 bits
        strand = int(byte[-5])    # Selecciona el bit que indica la hebra de la lectura
        if strand:
            strand_name = 'reverse'
        else:
            strand_name = 'forward'
        diccionario[chr][strand_name]++ # Sumamos una lectura a la entrada del diccionario

Aunque hemos podido hacer la implementación de diccionarios anidados en Python algo más llevadero, seguimos constreñidos por la necesidad de definir previamente el número de niveles de los que constará y, por tanto, escribir un número equivalente de 'defaultdict' en nuestra definición del diccionario. Si definimos varios diccionarios anidados, este trabajo se multiplica. Sin embargo, podemos definir una función recursiva que permite definir un diccionario con el número máximo de niveles de anidamiento sin necesidad de escribir tantos 'defaultdict' y que valdrá para cualquier diccionario con el número de niveles que queramos:

>>> from collections import defaultdict
>>> def diccionarioAnidado():
...     return defaultdict(diccionarioAnidado)

Hagamos una prueba:

>>> diccionario2 = diccionarioAnidado()
>>> diccionario2['a']['b']['c']['d'] = 'abcd'
>>> diccionario2['a']['b']['c']['d']
'abcd'
>>> diccionario3 = diccionarioAnidado()
>>> diccionario3['x']['y']['x'] = 'xyz'
>>> diccionario3['x']['y']['x']
'xyz'

¡Esto es otra cosa!