☰

最初の列に基づいて複数のファイルを結合し、メモリの問題を回避します

tag-icon • tag-icon memory perl
最初の列に基づいて複数のファイルを結合し、メモリの問題を回避します

タブ区切りの fastq ファイルが複数あります。各読み取りの 2 行目を一致させ、一致した場合はその横の値を合計します。例:


file1.fq
>1
ATGCCGTT      file1:1
+
HHHHKKKK

file2.fq
>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

必要な出力は次のようになります。


output.txt

ATGCCGTT      file1:1    file2:3     count:4
ATTCCAAC      file2:1          count:1

私が書いたコードは次のとおりです。



#!/usr/bin/env perl
use strict;
use warnings;
no warnings qw( numeric );
my %seen;


$/ = "";
while () {
    chomp;
    my ($key, $value) = split ('\t', $_);

    my @lines = split /\n/, $key;
    my $key1 = $lines[1];

    $seen{$key1} //= [ $key ];
    push (@{$seen{$key1}}, $value);

}

foreach my $key1 ( sort keys %seen ) {
my $tot = 0;
my $file_count = @ARGV;
for my $val ( @{$seen{$key1}} ) {
        $tot += ( split /:/, $val )[0];
    }   

if ( @{ $seen{$key1} } >= $file_count) {


        print join( "\t", @{$seen{$key1}});
        print "\tcount:". $tot."\n\n";
    }
}

このコードは小さなファイルにはうまく機能しますが、大きなファイルを比較しようとすると、メモリ全体を占有し、スクリプトが結果なしで実行されることになります。メモリを占有しないようにスクリプトを変更したいと思います。モジュールは使用しません。一度に 1 つのファイルだけをメモリにロードすればメモリを節約できると思いますが、それはできません。スクリプトの変更を手伝ってください。

答え1

試しましたかawk? 大きなファイルをよりうまく処理できるかどうかはわかりませんperlが、試してみる価値はあるかもしれません:

awk スクリプト内:

BEGIN {
    RS=">[0-9]+"
}

FNR==1{next}

NR==FNR {
    a[$1]++
    next
}


$1 in a {
    b[$1]++
    next
}

{
    c[$1]++
}

END {
    for (key in a) {
        if (b[key] == "") {
            printf key"\tfile1:"a[key]"\t\tcount:"a[key]"\n"
        } else {
            printf key"\tfile1:"a[key]"\tfile2:"b[key]"\tcount:"a[key]+b[key]"\n"
        }
    }
    for (key in c) {
        printf key"\t\tfile2:"c[key]"\tcount:"c[key]"\n"
    }
}

実行するには:

$ awk -f myscript.awk file1 file2 > output.txt

以下でテストしました:

ファイル1

>1
ATGCCGTT      file1:1
+
HHHHKKKK

>2
ATTCCAACg        file2:1
+
=#GJLMNB

ファイル2

>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

ターミナルでの出力:

ATTCCAACg   file1:1         count:1
ATGCCGTT    file1:1 file2:1 count:2
ATTCCAAC            file2:1 count:1

答え2

これらの神秘的な呪文をあなたのプログラムに追加してください

use DB_File;
my %seen; 
unlink '/tmp/translation.db';
sleep 2; 
tie ( %seen, 'DB_File', '/tmp/translation.db' )
    or die "Can't open /tmp/translation.db\n";

ハッシュはメモリではなくディスク上のデータベースに保存されます。残りのコードはそのままにしておくことができます。確かに、私はDB_Fileモジュールを使用しましたが、使用しない理由はありません。パールすぐに使えるので、インストールなどは必要ありません。

ハッシュが非常に巨大になっている場合は、常にこのアプローチを使用します。漠然と定義された巨大さのポイントを通過すると、処理がかなり高速化されることがわかっています。

関連情報