Question

我有2个文件。

文件A有3列：染色体，起始位置，结束位置。

CHR,START,END
chr1,1203245,1203374
chr1,1202020,1202213
chr1,1201293,1201465
chr1,1200844,1201128
chr1,1200527,1200585

文件B有2列：染色体，位置。

CHR,POS
chr1,1579264
chr1,1641372
chr1,3020521
chr2,2097836
chr3,2374462

两个文件都很大。

如何使用python判断文件B的每个位置是否在文件A的任何区域？如果只有一个位置和一个区域，我可以编写代码，但我不知道区域列表的线索。

Position is in a region表示CHR应该相同且POS >= START and POS <= END，例如，文件B的chr1,1203250应位于文件A的chr1,1203245,1203374

我接受奥斯卡布伦的建议并编写代码：

for i,r in B.iterrows():
    B.loc[i, 'in_A'] = any((r.CHR == A.CHR) & (r.POS >= A.SATRT) & (r.POS <= A.END))

但是两个文件都很大，代码仍在运行。如果有办法让这个更快？

Answer 1

如果您的文件很大，那么无法只在数据框中加载它们，因为它会填满整个内存。
不比较B的位置与A中的每个区间，因为这非常低效（理解：非常慢）。

相反，这样做：

按chrom，start，end对文件进行排序。

同时迭代两个文件的行。这样的事情（对于这个想法;它不考虑染色体，并且可能有错误，加上你需要定义保存位置的方式）：

a = open("A")
b = open("B")
# init
(chromA,start,end) = a.readline().split(",")
(chromB,pos) = b.readline().split(",")
while 1:
    try:
        if pos < start:
            # Read more lines from B
            (chromB,pos) = b.readline().split(",")
        elif pos > end:
            # Read more lines from A
            (chromA,start,end) = a.readline().split(",")
        else:
            # Pos is in the [start, end] interval
            # Save the result and go to the next pos
            savePos()  
            (chromB,pos) = b.readline().split(",")
    except StopIteration:
        break

我真正的建议是不要像过去的每个生物信息学家那样手动完成，而是使用“bedtools”或像BioPython这样的现有Python库。重新发明轮子是研究时间和资源的可怕损失。

Answer 2

我已将您的问题解释为＆＃39;是A的所有行中任何START和END值之间B的每一行中的POS值。如果这是正确的，使用pandas数据分析库可以使用这样的东西：

import pandas as pd

A = pd.read_csv('path/to/A.csv')
B = pd.read_csv('path/to/B.csv')

for i, r in B.iterrows():
    B.loc[i, 'in_A'] = any((r.POS > A.START) & (r.POS < A.END))

print(B)

>>     CHR      POS   in_A
    0  chr1  1579264  False
    1  chr1  1641372  False
    2  chr1  3020521  False
    3  chr2  2097836  False
    4  chr3  2374462  False

这遍历B中的每一行，并生成一个TRUE的布尔数组，其中（POS＆gt; START）＆amp; （POS＆lt; END）对于A的所有行。然后在B数据帧中创建一个新列，如果POS存在于A的START / END限制的任何中，则为True。

有意义吗？

我怎么知道某个位置是否在使用python的区域中

2 个答案: