多列文件比较与范围提取

Question

请原谅我问了一个没有任何编码努力的问题。但对我来说似乎太难了。

我有一个带有选项卡的数据文件，将三个数据列(以及一些重复的头行)分隔为：

Sequence ../Output/yy\Programs\NP_416485.4 alignment. Using default output format...
# ../Output/Split_Seq/NP_415931.4.fasta -- js_divergence - window_size: 3 
# jjhgjg cstr score

0   0.89    u-p
1   -5.79   --- 
2   0.85    yui
3   0.51    uio
4   0.66    -08
Sequence ../Output/yy\Programs\YP_986467.7 alignment. Using default output format...
# ../Output/Split_Seq/YP_986467.7.fasta -- js_divergence - window_size: 3 
# jjhgjg cstr score

0   0.001   -s-
1   0.984   ---
2   0.564   -fg
3   0.897   -sr

从第二列中，对于大于0.5的值，我希望提取相应的第一列号(或范围)。

对于上述输入，输出如下：

NP_416485.4: 1, 3-5
YP_986467.7: 2-4

在这里，"NP_416485.4“和"YP_986467.7”来自头描述符(在\程序之后)。(请注意，例如，"NP_416485.4“的实际值应该是"NP_416485.4: 0，2-4"，但由于不想从0开始，所以我用+1来增加它们)。

谢谢你的关心。我很感谢你的帮助。谢谢

Answer 1

这里有一种方法。如果您在Unix机器上有一个DOS数据文件，我使用\r?\n来匹配一个新行，所以它适用于所有情况：

use feature qw(say);
use strict;
use warnings;

my $file_name = 'input.txt';
open ( my $fh, '<', $file_name ) or die "Could not open file '$file_name': $!";
my $str = do { local $/; <$fh> };
close $fh;

my @chunks = $str =~ /(Sequence(?:.(?!Sequence))*)/sg;
my %ids;
for my $cstr ( @chunks ) {
    my ( $id, $data ) = $cstr 
        =~/Split_Seq\/(\S+)\.fasta.*?\r?\n\r?\n(.*)$/s;
    my @lines = split /\n/, $data;
    my @vals;
    for my $line ( @lines ) {
        my @fields = split " ", $line;
        push ( @vals, $fields[0] + 1 ) if $fields[1] > 0.5;
    }
    $ids{$id} = \@vals;
}

for my $id ( keys %ids ) {
    my @tmp = sort { $a <=> $b } @{ $ids{$id} };
    my ( $first, $last );
    my @rr;
    for my $i (0..$#tmp) {
        if ( $i == 0 ) {
            $first = $tmp[0];
            $last = undef;
        }
        if ( $i < $#tmp && ($tmp[$i] == ($tmp[$i+1] - 1 )) ) {
            $last = $tmp[$i+1];
            next;
        }
        if ( defined $last ) {
            push @rr, "$first-$last";
            $last = undef;
        }
        else {
            push @rr, $tmp[$i];
        }
        $first = ( $i < $#tmp ) ? $tmp[$i+1] : undef;
    }
    say "$id: ", join ",", @rr;
}

输出：

NP_416485.4: 1,3-5
YP_986467.7: 2-4

Answer 2

您并没有很好地描述您的问题，也没有自己做任何努力来解决这个问题，但是下面是您问题的第一部分的解决方案(将文件解析成一个数据结构)。您将需要遍历%results哈希并生成所需的输出。

#!/usr/bin/perl

use strict;
use warnings;
use 5.010;

use Data::Dumper;
my %results;
my $section;

while (<DATA>) {
  # Look for a new section
  if (/\\Programs\\(\S+)\s/) {
    $section = $1;
  }

  # Look for data lines
  if (/^\d\b/) {
     my @data = split;
     if ($data[1] > 0.5) {
       push @{$results{$section}}, $data[0] + 1;
     }
  }
}

say Dumper \%results;

__DATA__
Sequence ../Output/yy\Programs\NP_416485.4 alignment. Using default output format...
# ../Output/Split_Seq/NP_415931.4.fasta -- js_divergence - window_size: 3
# jjhgjg cstr score

0   0.89    u-p
1   -5.79   ---
2   0.85    yui
3   0.51    uio
4   0.66    -08
Sequence ../Output/yy\Programs\YP_986467.7 alignment. Using default output format...
# ../Output/Split_Seq/YP_986467.7.fasta -- js_divergence - window_size: 3
# jjhgjg cstr score

0   0.001   -s-
1   0.984   ---
2   0.564   -fg
3   0.897   -sr