1

私は2つのファイルを持っています:

(one.txt) は次のようになります。

>ENST001 

(((....)))

(((...)))

>ENST002 

(((((((.......))))))

((((...)))

私はあと10000個のENSTを持っています

(two.txt) は次のようになります。

>ENST001   110

>ENST002  59

残りのすべての ENST についても同様

基本的に、(one.txt) の ENST を (two.txt) の 2 つのフィールドの組み合わせに置き換えたいので、結果は次のようになります。

>ENST001_110 

(((....)))

(((...)))

>ENST002_59 

(((((((.......))))))

((((...)))

そのための matlab スクリプトを作成しましたが、(two.txt) のすべての行をループするため、完了するまでに 6 時間ほどかかるため、awk、sed、grep、さらには perl を使用すると、数分で結果を取得できると思います. これは私がmatlabでやったことです：

frf = fopen('one.txt', 'r');       
frp = fopen('two.txt', 'r');                                     
fw = fopen('result.txt', 'w');    

while feof(frf) == 0

line = fgetl(frf);
first_char = line(1);

if strcmp(first_char, '>') == 1 % if the line in one.txt start by > it is the ID 

   id_fold = strrep(line, '>', ''); % Reomve the > symbol


   frewind(frp)     % Rewind two.txt file after each loop

    while feof(frp) == 0

        raw = fgetl(frp);
        scan = textscan(raw, '%s%s');
        id_pos = scan{1}{1};
        pos = scan{2}{1};

            if strcmp(id_fold, id_pos) == 1  % if both ids are the same


                id_new = ['>', id_fold, '_', pos];

                fprintf(fw, '%s\n', id_new);

            end    

    end    

else

    fprintf(fw, '%s\n', line);  % if the line doesn't start by > print it to results



end

終わり

4

6 に答える 6

4

を使用した片道awk。FNR == NR引数の最初のファイルを処理し、各番号を保存します。2 番目の条件は 2 番目のファイルを処理し、最初のフィールドが配列内のキーと一致すると、その行に番号が追加されて変更されます。

awk '
    FNR == NR { 
        data[ $1 ] = $2; 
        next 
    } 
    FNR < NR && data[ $1 ] { 
        $0 = $1 "_" data[ $1 ] 
    } 
    { print }
' two.txt one.txt

出力：

>ENST001_110

(((....)))

(((...)))

>ENST002_59

(((((((.......))))))

((((...)))
于 2012-07-02T08:24:57.573 に答える
3

sed最初は on でのみ実行two.txtできるので、必要に応じて置換するコマンドsedを作成し、次の場所で実行できone.txtます。

最初の方法

sed "$(sed -n '/>ENST/{s=.*\(ENST[0-9]\+\)\s\+\([0-9]\+\).*=s/\1/\1_\2/;=;p}' two.txt)" one.txt

第二の方法

ファイルが巨大な場合はtoo many arguments error、前の方法で取得できます。したがって、このエラーを修正する別の方法があります。3 つのコマンドを 1 つずつ実行する必要があります。

sed -n '1i#!/bin/sed -f
/>ENST/{s=.*\(ENST[0-9]\+\)\s\+\([0-9]\+\).*=s/\1/\1_\2/;=;p}' two.txt > script.sed
chmod +x script.sed
./script.sed one.txt

最初のコマンドは、必要に応じて one.txt を変更できる sed スクリプトを形成します。chmodこの新しいスクリプトを実行可能にします。そして最後のコマンドはコマンドを実行します。したがって、各ファイルは一度だけ読み取られます。ループはありません。最初のコマンドは 2 行で構成されていますが、それでも 1 つのコマンドであることに注意してください。改行文字を削除すると、スクリプトが壊れます。のiコマンドによるものですsed。詳細は ``sed man page.

于 2012-07-02T08:19:45.810 に答える
2

この Perl ソリューションは、変更されたone.txtファイルを に送信しますSTDOUT。

use strict;
use warnings;

open my $f2, '<', 'two.txt' or die $!;

my %ids;

while (<$f2>) {
  $ids{$1} = "$1_$2" if /^>(\S+)\s+(\d+)/;
}

open my $f1, '<', 'one.txt' or die $!;

while (<$f1>) {
  s/^>(\S+)\s*$/>$ids{$1}/;
  print;
}
于 2012-07-02T10:37:47.833 に答える
1

これはうまくいくかもしれません（GNU sed）：

sed -n '/^$/!s|^\(\S*\)\s*\(\S*\).*|s/^\1.*/\1_\2/|p' two.txt | sed -f - one.txt
于 2012-07-02T09:33:24.167 に答える
1

この MATLAB ソリューションを試してください (ループなし)。

%# read files as cell array of lines
fid = fopen('one.txt','rt');
C = textscan(fid, '%s', 'Delimiter','\n');
C1 = C{1};
fclose(fid);
fid = fopen('two.txt','rt');
C = textscan(fid, '%s', 'Delimiter','\n');
C2 = C{1};
fclose(fid);

%# use regexp to extract ENST numbers from both files
num = regexp(C1, '>ENST(\d+)', 'tokens', 'once');
idx1 = find(~cellfun(@isempty, num));       %# location of >ENST line
val1 = str2double([num{:}]);                %# ENST numbers
num = regexp(C2, '>ENST(\d+)', 'tokens', 'once');
idx2 = find(~cellfun(@isempty, num));
val2 = str2double([num{:}]);

%# construct new header lines from file2
C2(idx2) = regexprep(C2(idx2), ' +','_');

%# replace headers lines in file1 with the new headers
[tf,loc] = ismember(val2,val1);
C1( idx1(loc(tf)) ) = C2( idx2(tf) );

%# write result
fid = fopen('three.txt','wt');
fprintf(fid, '%s\n',C1{:});
fclose(fid);
于 2012-07-02T19:27:43.893 に答える