Question

我有一本字典词典，里面有这样的项目

all={
    1:{ ('a',123,145):20, ('a',155,170):12, ('b',234,345): 34},
    2:{ ('a',121,135):10, ('a',155,175):28, ('b',230,345): 16},
    3:{ ('a',130,140):20, ('a',150,170):10, ('b',234,345): 30}, 
    ...
    n: {...}
}

编辑：字典名称由我根据读取初始数据的文件名任意给出，我可以使用我想要命名这些字典的任何值。我想得到每个重叠区域的这些值的总和。显示重叠应该如何的输出是这个

 { ('a',121,122):10, ('a',123,130):30, ('a',131,135):50, 
   ('a',136,140):40,('a',141,145):20, ...}

编辑：每个字典都有非重叠的间隔，因此在给定的字典中永远不会有（'a'，2,10）和（'a'，3,12），但是字典之间的间隔重叠为开始和结束位置不一样（即字典之间的键不一样）。

我不必使用字典数据结构，因为我首先创建了这个字典，如果这对列表，集合等更容易，我可以在其中一个结构中获取数据，I可以使用基于不同数据结构的另一种解决方案。

感谢您的帮助。

Answer 1

好吧，现在我觉得我明白了：基本上你有一堆重叠的间隔，用一定厚度的某个位置的条形表示。您可以在彼此下方绘制这些条形图，并查看它们在任何给定点的厚度。

我认为滥用你有整数位置这一事实是最容易/最快的：

all={
    1:{ ('a',123,145):20, ('a',155,170):12, ('b',234,345): 34},
    2:{ ('a',121,135):10, ('a',155,175):28, ('b',230,345): 16},
    3:{ ('a',130,140):20, ('a',150,170):10, ('b',234,345): 30}
}

from collections import defaultdict
summer = defaultdict(int)
mini, maxi = 0,0
for d in all.values():
    for (name, start, stop), value in d.iteritems(): 
        # im completely ignoring the `name` here, not sure if that's what you want
        # else just separate the data before doing this ...
        if mini == 0:
            mini = start
        mini, maxi = min(mini, start), max(maxi, stop)
        for i in range(start, stop+1):
            summer[i]+=value

# now we have the values at each point, very redundant but very fast so  far
print summer

# now we can find the intervals:
def get_intervals(points, start, stop):
    cstart = start
    for i in range(start, stop+1):
        if points[cstart] != points[i]: # did the value change ?
            yield cstart, i-1, points[cstart]
            cstart = i

    if cstart != i:
        yield cstart, i, points[cstart]


print list(get_intervals(summer, mini, maxi))

当仅使用'a'项时，它会给出：

[(121, 122, 10), (123, 129, 30), (130, 135, 50), (136, 140, 40), (141, 145, 20), (146, 149, 0), (150, 154, 10), (155, 170, 50), (171, 175, 28)]

编辑：它只是让我知道如何做到这一点非常简单：

from collections import defaultdict
from heapq import heappush, heappop

class Summer(object):
    def __init__(self):
        # its a priority queue, kind of like a sorted list
        self.hq = []

    def additem(self, start, stop, value):
        # at `start` add it as a positive value
        heappush(self.hq, (start, value))
        # at `stop` subtract that value again
        heappush(self.hq, (stop, -value))

    def intervals(self):
        hq = self.hq
        start, val = heappop(hq)
        while hq:
            point, value = heappop(hq)
            yield start, point, val
            # just maintain the current value and where the interval started
            val += value
            start = point
        assert val == 0

summers = defaultdict(Summer)
for d in all.values():
    for (name, start, stop), value in d.iteritems():
        summers[name].additem(start, stop, value)

for name,s in summers.iteritems():
    print name, list(s.intervals())

Answer 2

好吧，如果这些是染色体，让我们先将它们分开绘制出来：

{"Chr1": {(121,122):10, (123,130):30, ...},
"Chr2": {(230,233):16, ...},
...
}

你加上的数字是，我认为，某种分数 - 表达分数或其他。

如果位置范围（这些121,130数字定义间隔）足够小 - 任何高达数千 - 那么你可能通过存储每个位置的总计得分来节省自己的头痛，并且只是将间隔的分数添加到该间隔内的每个位置。

如果它们像个别基地位置，并且有数百万个可能的位置，那么你需要坚持间隔。因此，对于每一个，您需要检查相关染色体的重叠间隔，然后将其删除，并将它们分解为需要存储所有不同总和分数的较小间隔。

这是一个粗略的框架，但它并不完整：

for (start, end), score in intervals_to_add.items():
    overlapping = {}
    for (start1, end1), score1 in current_chromosome.items():
        if start1 <= start <= end1 or start1 <= end <= end1:
            overlapping[(start1, end1)] = score1
    for interval in overlapping:
        current_chromosome.pop(interval)
    # Process overlapping into smaller intervals, adding in the current interval
    current_chromosome.update(new_intervals)

组合字典键的大量重叠间隔的值

2 个答案:

编辑：它只是让我知道如何做到这一点非常简单：