Question

所以我有两个文件，一个看起来像

的VCF

88  Chr1    25  C   -   3   2   1   1
88  Chr1    88  A   T   7   2   1   1
88  Chr1    92  A   C   16  4   1   1

和另一个看起来像

的基因

GENEID  Start END
GENE_ID 11 155
GENE_ID 165 999

我想要一个脚本，查看第二个文件的第二个和第三个位置范围内是否有基因位置（VCF文件的第3列），然后将其打印出来。

到目前为止，我所做的是加入文件并执行

awk '{if (3>$12 && $3< $13) print }' > out

我所做的只是比较当前连接文件的行（它只在值在同一行时打印），如何将第3列的所有行与第12列和第13列的所有行进行比较？

最佳， SERG

Answer 1

我希望能提供帮助（编辑我更改代码以获得更高效的算法）

gawk '
  #read input.genes and create list of limits (min, max)
  NR == FNR {
    #without header in input
    if(NR>1) {
      for(i=$2; i<=$3; i++){
        limits[i]=limits[i]","$2"-"$3;
      }
    };
    next
  }
  #read input.vcf, if column 3 is range of limits then print
  {
    if($3 in limits){
      print $0, "between("limits[$3]")"
    }
  }' input.genes input.vcf

你得到：

88  Chr1    25  C   -   3   2   1   1 between(,11-155)
88  Chr1    88  A   T   7   2   1   1 between(,11-155)
88  Chr1    92  A   C   16  4   1   1 between(,11-155)

python中的这个算法针对使用词典的非常大的文件进行了优化

limits = [line.strip().split() for line in open("input.genes")]
limits.pop(0) #remove the header
limits = [map(int,v[1:]) for v in limits]

dict_limits = {}
for start, finish in limits:
  for i in xrange(start, finish+1):
    if i not in dict_limits:
      dict_limits[i] = []
    dict_limits[i].append((start,finish))

OUTPUT = open("my_output.txt", "w")
for reg in open("input.vcf"):
  v_reg = reg.strip().split()
  if int(v_reg[2]) in dict_limits:
    OUTPUT.write(reg.strip() + "\tbetween({})\n".format(str(dict_limits[int(v_reg[2])])))

OUTPUT.close()

你得到：

88  Chr1    25  C   -   3   2   1   1   between([(11, 155)])
88  Chr1    88  A   T   7   2   1   1   between([(11, 155)])
88  Chr1    92  A   C   16  4   1   1   between([(11, 155)])

将一个列值与linux环境中的所有列进行比较

1 个答案: