1

我想比较多个 gzip 压缩的文件 (15-20)，并从它们中恢复常见的行。但这并不是那么简单。在某些列中准确的行，我也想为他们计算他们存在多少文件的信息。如果为 1，则该行对文件是唯一的，等等。也可以保存这些文件名。

每个文件看起来像这样：

##SAMPLE=<ID=NormalID,Description="Cancer-paired normal sample. Sample ID 'NORMAL'">
##SAMPLE=<ID=CancerID,Description="Cancer sample. Sample ID 'TUMOR'">
#CHROM  POS     ID      REF     ALT     QUAL    FILTER  INFO    FORMAT  NormalID_NORMAL CancerID_TUMOR
chrX    136109567       .       C       CT      .       PASS    IC=8;IHP=8;NT=ref;QSI=35;QSI_NT=35;RC=7;RU=T;SGT=ref->het;SOMATIC;TQSI=1;TQSI_NT=1;phastCons;CSQ=T|ENSG00000165370|ENST00000298110|Transcript|5KB_downstream_variant|||||||||YES|GPR101|||||        DP:DP2:TAR:TIR:TOR:DP50:FDP50:SUBDP50   23:23:21,21:0,0:2,2:21.59:0.33:0.00   33:33:16,16:13,13:4,4:33.38:0.90:0.00
chrX    150462334       .       T       TA      .       PASS    IC=2;IHP=2;NT=ref;QSI=56;QSI_NT=56;RC=1;RU=A;SGT=ref->het;SOMATIC;TQSI=2;TQSI_NT=2;CSQ=A||||intergenic_variant||||||||||||||| DP:DP2:TAR:TIR:TOR:DP50:FDP50:SUBDP50 30:30:30,30:0,0:0,0:31.99:0.00:0.00     37:37:15,17:16,16:6,5:36.7:0.31:0.00

文件是制表符分隔的。如果行以 # 开头，则忽略此行。我们只对那些不感兴趣。取基于 0 的 python 坐标，我们对 0,1,2,3,4 字段感兴趣。它们必须在文件之间匹配才能被报告为通用。但是，我们仍然需要保留有关其余列/字段的信息，以便可以将它们写入输出文件

现在我有以下代码：

import gzip
filenames = ['a','b','c']
files = [gzip.open(name) for name in filenames]

sets = [set(line.strip() for line in file if not line.startswith('#')) for file in files]
common = set.intersection(*sets)
for file in files: file.close()
print common

在我的当前代码中，我不知道如何正确实现 if not line.startswith() （哪个地方？），以及如何指定应该匹配的行中的列。更不用说，我不知道如何获取例如存在于 6 个文件中的行，或者存在于总共 15 个文件中的 10 个中的行。有什么帮助吗？

4

1 回答 1

1

收集字典中的行，其中包含使它们与键相似的字段：

from collections import defaultdict
d = defaultdict(list)

def process(filename, line):
    if line[0] == '#':
        return

    fields = line.split('\t')
    key = tuple(fields[0:5]) # Fields that makes lines similar/same
    d[key].append((filename, line))

for filename in filenames:
    with gzip.open(filename) as fh:
        for line in fh:
            process(filename, line.strip())

现在，您有了一个包含文件名行元组列表的字典。您现在可以打印出现超过 10 次的所有行：

for l in d.values():
   if len(l) < 10: continue

   print 'Same key found %d times:' % len(l)

   for filename, line in l:
       print '%s: %s' % (filename, line)
于 2013-08-27T13:37:50.753 回答