2 个文件之间的交集(文件 1 中的值属于文件 2 中的值范围)

2 个文件之间的交集(文件 1 中的值属于文件 2 中的值范围)

我有一个名为snp_data包含SNP(单核苷酸多态性)染色体数据。这是一个 3 列、以空格分隔的 CSV 文件,其格式如下:

user@host:~$ cat snp_data

snp_id    chromosome  position
Chr01__912 1 912 1
Chr01__944 1 944 1
Chr01__1107 1 1107 1
Chr01__1118 1 1118 1
Chr01__1146 1 1146 1
Chr01__1160 1 1160 1
...
...
...
Chr17__214708367 17 214708367
Chr17__214708424 17 214708424
Chr17__214708451 17 214708451
Chr17__214708484 17 214708484
Chr17__214708508 17 214708508

请注意,对于每一行,该字段都具有对应和值的snp_id形式。Chr{chromosome}__{position}chromosomeposition

window我有另一个名为包含辅助数据的文件。这是一个 5 列、以空格分隔的 CSV 文件,其格式如下:

user@host:~$ cat window

seqname chromosome start end width
1 Chr1 1 15000 15000
2 Chr1 15001 30000 15000 
3 Chr1 30001 45000 15000
4 Chr1 45001 60000 15000 
5 Chr1 60001 75000 15000 
6 Chr1 75001 90000 15000 
...
...
...
199954 Chr17 214620001 214635000 15000
199955 Chr17 214635001 214650000 15000
199956 Chr17 214650001 214665000 15000
199957 Chr17 214665001 214680000 15000
199958 Chr17 214680001 214695000 15000
199959 Chr17 214695001 214708580 13580

window注意和文件之间的对应关系是由文件中字段snp_data的值和文件中和字段的值决定的,例如,值为in的行对应于值为for的行,并且其行以 a 开头的前缀。chromosomewindowchromosomesnp_idsnp_data"Chr1"windowsnp_data1chromosomesnp_idChr01__

对于snp_data文件中的每一行(每个染色体内的每个 snp),如果该行的值落在该特定染色体的任何行的和值position给定的范围内,则将文件中的附加到文件中的行。startendwindowseqnamewindowsnp_data

对于上面给出的输入,这将是我想要的输出:

user@host:~$ cat desired_output

snp_id  chromosome  position   window
Chr01__912  1   912      1
Chr01__944  1   944      1
Chr01__1107 1   1107     1
...
...
...
Chr17__214708367 17 214708367   199959
Chr17__214708424 17 214708424   199959
Chr17__214708451 17 214708451   199959
Chr17__214708484 17 214708484   199959
Chr17__214708508 17 214708508   199959

要点是位置仅在每个染色体内是唯一的,因此我需要逐个染色体地比较这两个文件(即分别针对每个染色体)。我怎样才能做到这一点?

答案1

这是一个可以执行您想要的操作的 Python 脚本:

#!/usr/bin/env python2
# -*- coding: ascii -*-
"""intersect_snp.py"""

import sys

# Read data from the SNP file into a list
snp_list = []
with open(sys.argv[1], 'r') as snp_file:
    for line in snp_file:
        snp_row = line.split() 
        snp_list.append(snp_row)

# Read data from the "window" file into a dictionary of lists
win_dict = {} 
with open(sys.argv[2], 'r') as win_file:
    for line in win_file:
        seqnames, chromosome, start, end, width = win_row = line.split()
        if chromosome not in win_dict:
            win_dict[chromosome] = []
        win_dict[chromosome].append(win_row)

# Compare data and compute results
results = []

# Iterate over snp data rows
for snp_row in snp_list:

    # Extract the field values for each snp row
    snp_id, chromosome, position = snp_row

    # Convert the chromosome to match the format in the "window" file
    # i.e. `1` -> `Chr1`
    chromosome_name = "Chr{}".format(chromosome)

    # Iterate over the "window" rows corresponding to that chromosome
    for win_row in win_dict.get(chromosome_name, []):

        # Extract the field values for each "window" row
        seqnames, chromosome, start, end, width = win_row

        # Perform the desired comparison
        if int(start) <= int(position) <= int(end):

            # If the comparison returns true, construct the result row
            result = [snp_id, chromosome, position, seqnames]
            results.append(result)
            break

# Print the output column headers
columns = ["snp_id", "chromosome", "position", "window"]
print(" ".join(columns))

# Print the results
for row in results:
    print(' '.join(row))

请注意,此脚本假定所有行都是数据行。如果您的输入文件已命名snp_datawindow那么您可以像这样执行它:

python intersect_snp.py snp_data window

如果您的文件有标题行,那么您可以使用tail跳过/删除标题并像这样执行它:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

假设这是您的snp_data文件:

snp_id              chromosome  position
Chr01__912          1           912
Chr01__944          1           944
Chr01__1107         1           1107
...
...
...
Chr17__214708367    17          214708367
Chr17__214708424    17          214708424
Chr17__214708451    17          214708451
Chr17__214708484    17          214708484
Chr17__214708508    17          214708508

这是你的window文件:

seqnames    chromosome  start       end         width
1           Chr1        1           15000       15000
2           Chr1        15001       30000       15000
3           Chr1        30001       45000       15000
4           Chr1        45001       60000       15000
5           Chr1        60001       75000       15000
...
...
...
199954      Chr17       214620001   214635000   15000
199955      Chr17       214635001   214650000   15000
199956      Chr17       214650001   214665000   15000
199957      Chr17       214665001   214680000   15000
199958      Chr17       214680001   214695000   15000
199959      Chr17       214695001   214708580   13580

然后如果我们运行这个命令:

python intersect_snp.py <(tail -n+2 snp_data) <(tail -n+2 window)

我们得到以下输出:

snp_id chromosome position window
Chr01__912 Chr1 912 1
Chr01__944 Chr1 944 1
Chr01__1107 Chr1 1107 1
...
...
...
Chr17__214708367 Chr17 214708367 199959
Chr17__214708424 Chr17 214708424 199959
Chr17__214708451 Chr17 214708451 199959
Chr17__214708484 Chr17 214708484 199959
Chr17__214708508 Chr17 214708508 199959

答案2

为了避免长时间的等待,您可以使用 Linux 中经常预安装的简约 SQL 引擎 SQLite 来完成此操作。它不运行服务器,而是使用存储在文件中的 SQL 数据库。

在你的 snp_data & window 目录中执行以下操作:

cat snp_data | tr -s " " > snp_data.csv
sed 's#Chr##g' window | tr -s " " > window.csv

这会标准化字段之间的空间并为导入做好准备。

然后将此数据导入 SQL 并运行查询以获取输出:

cat > task.sql
CREATE TABLE snp_data (snp_id text,chromosome int, position int);
CREATE TABLE window (seqname int,chromosome int, c_start int , c_end int, c_width int);

.mode csv
.separator "  "
.import snp_data.csv snp_data
.import window.csv window

.mode column
.header on
SELECT D.snp_id, D.chromosome, D.position, W.seqname FROM snp_data D, window W WHERE W.chromosome=D.chromosome AND D.position BETWEN W.c_start AND W.c_end;

[CTRL+D此处停止输入]

最后:

cat task.sql | sqlite3 my_database.db

一般来说,对于大文件来说这应该更快。

相关内容