0

問題を解決したいと思います。つまり、行の条件が満たされた場合、この行からこの行 + 値までのすべての行を出力します。

次のようなコードがあります。

import re
##
def round_down(num):
    return num - (num%100000)  ###reduce search space
##
##
##def Filter(infile, outfile):
##out = open(outfile,'w')
infile = open('AT_rich','r')
cov = open('30x_good_ok_bad_0COV','r') ###File with non platinum regions
#platinum_region = [row for row in Pt]
platinum_region={}  ### create dictionary for non platinum regions. Works fast
platinum_region['chrM']={}
platinum_region['chrM'][0]=[]
ct=0
for region in infile:
    (chr,start,end,types,length)= region.strip().split()
    start=int(start)
    end=int(end)
    length = int(length)
    rounded_start=round_down(start)
##
    if not (chr in platinum_region):
        platinum_region[chr]={}
    if not (rounded_start in platinum_region[chr]):
        platinum_region[chr][rounded_start]=[]
    platinum_region[chr][rounded_start].append({'start':start,'end':end,'length':length})
##
##c=0
for vcf_line in cov: ###process file with indels
##    if (c % 1000 ==0):print "c ",c
##    c=c+1
    vcf_data = vcf_line.strip().split()
    vcf_chrom=vcf_data[0]
    vcf_pos=int(vcf_data[1])
    vcf_end=int(vcf_data[2])
    coverage = int(vcf_data[3])
    rounded_vcf_position=round_down(vcf_pos) ###round positions to reduce search space
##    print vcf_chrom
    ##    for vcf_line in infile: ###process file with indels
##    if (c % 1000 ==0):print "c ",c
    overlapping = 'false'
    if vcf_chrom in platinum_region and rounded_vcf_position in platinum_region[vcf_chrom]:
        for region in platinum_region[vcf_chrom][rounded_vcf_position]:
            if (vcf_pos == region['start']):# and vcf_end == region['end']):# and (vcf_end > region['start'] and vcf_end < region['end']):
                if vcf_chrom != 'chrX' and vcf_chrom != 'chrY':
                    print vcf_data

ファイルは間隔の開始から終了までのセットであり、最初の列 [0] には染色体 ex.'chr1' が含まれています。

cov:

chr1    1   3   AT_rich 3
chr1    5   8   AT_rich 4
chr1    10  12  AT_rich 3

最後の列は地域['長さ']です

ファイル内:

chr1    1   2   4247
chr1    2   3   4244
chr1    3   5   4224
chr1    5   7   4251
chr1    7   8   4251
chr1    8   12   4254
chr1    12   15   4253

出力は次のようになります。

chr1    1   2   4247
chr1    2   3   4244
chr1    5   7   4251
chr1    7   8   4251
chr1    8   12   4254## here there isn't really start-start matching position, but there is an overlap between two files
chr1    12   15   4253

したがって、主なアイデアは、1 つのファイル (cov) のリージョンが 2 番目のファイル (infile) のリージョンの位置から始まる場合です。この一致する開始位置から、最初のファイル (cov) の領域の長さまでのすべての位置を出力します。場合によっては、正確に一致する位置がなく、一部が重複するだけなので、この場合はおそらくそれらを気にする必要はありません (ただし、それらも出力に含めるとよいでしょう)。

vcf_data (条件が満たされた場合) から vcf_data + region['length'] までの行を出力したいと思います。これを私のコードに追加する方法は何ですか?

4

2 に答える 2

1

入力と出力の形式がよくわかりませんが、説明から、次のようなことができると思います。

lines = string.split('\n') # Put the content into array of lines
for idx, line in enumerate(lines): # Iterate over the lines, with the index
    if condition(line): # If the line fulfill a condition
        print lines[idx:idx+length] # Print the line range
于 2013-09-03T10:46:19.047 に答える