Question

我有一个测序数据文件，其中包含来自基因组的碱基对位置，如下例所示：

chr1 814 G A 0.5
chr1 815 T A 0.3
chr1 816 C G 0.2
chr2 315 A T 0.3
chr2 319 T C 0.8
chr2 340 G C 0.3
chr4 514 A G 0.5

我想比较由第2列中找到的bp位置定义的某些组。然后我想要匹配区域第5列中数字的平均值。

因此，使用上面的示例可以说我正在寻找跨越chr1 810-820和chr2 310-330的所有样本的第5列的平均值。应识别前五行，并对其第五列数进行平均，等于0.42。

我尝试创建一个范围数组，然后使用awk调用这些位置，但一直没有成功。提前谢谢。

Answer 1

import pandas as pd
from StringIO import StringIO

s = """chr1 814 G A 0.5
chr1 815 T A 0.3
chr1 816 C G 0.2
chr2 315 A T 0.3
chr2 319 T C 0.8
chr2 340 G C 0.3
chr4 514 A G 0.5"""

sio = StringIO(s)
df = pd.read_table(sio, sep=" ", header=None)
df.columns=["a", "b", "c", "d", "e"]

# The query expression is intuitive 
r = df.query("(a=='chr1' & 810<b<820) | (a=='chr2' & 310<b<330)")
print r["e"].mean()

对于这样的表格数据处理，pandas可能更好，而且它是python。

Answer 2

这里有一些python代码可以满足您的需求。它假定您的数据位于名为＆＃39; data.txt＆＃39;

的文本文件中

#!/usr/bin/env python

data = open('data.txt').readlines()
def avg(keys):
    key_sum = 0
    key_count = 0
    for item in data:
        fields = item.split()
        krange = keys.get(fields[0], None)
        if krange:
            r = int(fields[1])
            if krange[0] <= r and r <= krange[1]:
                key_sum += float(fields[-1])
                key_count += 1
    print key_sum/key_count

keys = {} # Create dict to store keys and ranges of interest
keys['chr1'] = (810, 820)
keys['chr2'] = (310, 330)

avg(keys)

样本输出：

0.42

Answer 3

这是一个awk脚本答案。为了输入，我创建了第二个文件，我称之为ranges：

chr1 810 820
chr2 310 330

脚本本身如下：

#!/usr/bin/awk -f

FNR==NR { low_r[$1] = $2; high_r[$1] = $3; next }

{ l = low_r[ $1 ]; h = high_r[$1]; if( l=="" ) next }

$2 >= l && $2 <= h { total+=$5; cnt++ }

END {
        if( cnt > 0 ) print (total/cnt)
        else print "no matched data"
}

细分如下：

FNR==NR - 吸收ranges文件，将low_r和high_r数组锁定在该文件的第一列。
然后，对于数据中的每一行，查找在low_r和high_r数组中匹配。如果没有匹配，则跳过任何其他处理
根据low和high测试检查包含范围，针对匹配范围递增total和cnt。
在END，打印匹配时的简单平均值

当脚本（称为script.awk）可执行时，它可以像：

一样运行

$ ./script.awk ranges data
0.42

我调用了数据文件data。

从VCF测序数据中共享等位基因频率

3 个答案:

样本输出：