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?