问题标签 [burrows-wheeler-transform]

我想问一下，我们可以结合 BWT MTF 和 Huffman 算法在 java 中获得更高的压缩率吗？过程是什么？MTF 文件写入错误？

bzip2（即Julian Seward 的这个程序）列出了 100k 到 900k 之间的可用块大小：

这个数字对应于hundred_k_blocksize写入压缩文件头的值。

从文档中，内存要求如下：

在编写原始程序时（1996 年），我想 7.6M（400k + 8 * 900k）在计算机上可能是一个巨大的内存量，但对于今天的机器来说，它什么都不是。

我的问题分为两部分：

1) 使用更大的块大小会实现更好的压缩吗？（我天真地假设是的）。有什么理由不使用更大的块吗？压缩的 cpu 时间如何随着块的大小而变化？

2) 实际上，是否存在允许更大块大小的 bzip2 代码分支（或替代实现）？这是否需要对源代码进行重大修改？

文件格式似乎足够灵活来处理这个问题。例如...由于hundred_k_blocksize包含一个指示块大小的 8 位字符，因此可以向下扩展ASCII 表以指示更大的块大小（例如':'= x3A=> 1000k、';'= x3B=> 1100k、'<'= x3C=> 1200k、...） .

我正在尝试在 bwa 程序（bwa sampe）中处理具有匹配前缀和不同文件类型的多个输入文件，这是一般结构：

我在当前目录中有所有 .sai 和 fastq.gz 文件，我正在尝试制作一个循环，如：

有人对我缺少的东西有建议吗？就像我可能需要创建一个前缀文件名列表？我将不胜感激任何建议。谢谢！

ETA：我尝试​​制作每个前缀文件的读取列表并运行：

但这基本上只是制作完整文件标题前缀的文件。

我正在用 Python 编写 Burrows-Wheeler 变换及其反向函数。它适用于小弦，但当我测试更大的弦时它就崩溃了。在某些时候，字符串似乎循环了。我确信它一定与解码器的最终循环有关，但我正在遵循在多个网站上找到的步骤。我的实现如下：

原始字符串：

罗斯托夫不愿对公主出言不逊，没有回屋子，而是留在村子里等她离开。当她的马车驶出房子时，他骑马陪她从博古赫罗沃出发八英里，到达我们部队占领的道路。在扬克沃的客栈里，他恭敬地告别了她，这是他第一次允许自己亲吻她的手。

你怎么可以这样说话！他红着脸回答玛丽公主对她的解脱表示感谢，正如她所说的那样。任何警察都会这样做！“如果我们只有农民打，我们就不应该让敌人走这么远，”他羞愧地说道，并希望转移话题。我很高兴有机会结识你。再见，公主。祝你幸福和安慰，并希望在更幸福的情况下再次见到你。如果你不想让我脸红，请不要感谢我！

解码字符串：

罗斯托夫不愿对公主出言不逊，没有回屋子，而是留在村子里等她离开。当她的马车驶出房子时，他骑马陪她从博古赫罗沃出发八英里，到达我们部队占领的道路。在扬克沃的客栈里，他恭敬地告别了她，这是他第一次允许自己亲吻她的手。

你怎么能这样说话！罗斯托夫不愿在公主面前出言不逊，没有回屋子，而是留在村子里等着她离开。当她的马车驶出房子时，他骑马陪她从博古赫罗沃出发八英里，到达我们部队占领的道路。在扬克沃的客栈里，他恭敬地告别了她，这是他第一次允许自己亲吻她的手。

你怎么能这样说话！罗斯托夫不愿在公主面前出言不逊，没有回屋子，而是留在村子里等着她离开。什么时候

奇怪的是，我在网上找到并测试过的其他实现似乎也会发生这种情况，比如this one和this one。到底是怎么回事？我是否误解了转换的工作原理？或者这个实现不正确？

我正在尝试实现 burrows Wheeler 的变换。我有一个包含索引（int）和数据（字符串）的 Dictionary 类。Dictionary 类用于构建后缀数组。我正在通过堆排序对 Dictionary 对象的后缀数组进行排序。当我有 < 10KiB 的短文本时，BWT 可以很好地使用堆排序，但是当我提供大于 100KiB 的较大文本文件时，程序会中断。我有一种感觉，我在堆排序实现中做错了。这是我在 Dictionary 类中实现的堆排序代码，其中包含两个数据成员（int 索引和字符串数据）：

节点：如果需要，我将提供 BWT 类代码。

编辑：这是 BWT 类代码：

所以我试图将这个索引（int）和数据（字符串）实现到一个 Dictionary 类中，该类采用上述类型的索引和数据。这是我的代码：

此代码适用于 <10KiB 的小文本文件，但当我输入大文本文件时，循环似乎永远运行。它一直运行，直到用完整个内存，然后使 IDE 崩溃。我在这里做错了什么/或者有没有办法优化这个过程？

编辑：这里的大小变量是指 input.length()。

对于一个项目，我需要使用 bwt 对通用文件进行编码和解码。唯一的问题是我在编码不同于 txt 文件的文件时遇到问题。我真的不知道为什么，所以我希望你能帮助我，这里是代码：

主要课程是：

同样，我不知道为什么，但编码和解码适用于 txt 文件，而它不适用于其他扩展。你知道为什么吗？另外，我是这个世界的新手，所以请原谅我的愚蠢错误，这不是完整的代码。显然，这只是一个简单的实现，我避免使用后缀数组。

完全是新手，不知道我在做什么。我已经在 windows 上安装了 ubuntu，现在可以从 windows 打开 bash。

我还从 Sourceforge 下载了 burrow-wheeler 对准器：https ://sourceforge.net/projects/bio-bwa/files/

从那里我尝试提取 bz2 文件。我将提取的文件夹添加到 PATH

但是当我在 bash 上输入 bwa 时，它显示 bwa: command not found

我是一个完全的初学者，想开始使用生物信息学。我执行了上述步骤，因为这就是我将 conda 设置为在 windows cmd 上工作的方式。

我究竟做错了什么？