☰

Нахождение различных возможных комбинаций

tag-icon • tag-icon text-processing files python perl bioinformatics
Нахождение различных возможных комбинаций

Файл А содержит ряды генов:

A,B,C,D,E
P,Q,R
G,D,V,K
L,Q,X,I,U,G и так далее.

Как можно получить следующий тип вывода, если брать каждую строку по отдельности:

Для первой строки:

А, Б, В
, В, Г, С
, Д, Д

Для второго ряда:

П,К,Р

Для третьего ряда:

Г,Д,В
Д,В,К

По сути, я хотел бы найти «триплеты» генов из каждой строки. Первый триплет будет содержать первые три гена. Второй триплет будет содержать второй, третий, четвертый гены. Последний триплет будет заканчиваться последним геном в строке.
Достижение этого вручную будет гигантской задачей. Поскольку я еще не освоил скрипты Linux, Perl или Python, чтобы написать скрипт для этого, помощь от этого сообщества будет оценена по достоинству!

решение1

С использованием awk:

function wprint() {
    print w[1], w[2], w[3];
}

function wshift(e) {
    w[1] = w[2]; w[2] = w[3]; w[3] = e;
}

BEGIN { FS = OFS = "," }

{
    wshift($1);
    wshift($2);
    wshift($3);
    wprint();

    for (i = 4; i <= NF; ++i) {
        wshift($i);
        wprint();
    }
}

Затем:

$ awk -f script data.in
A,B,C
B,C,D
C,D,E
P,Q,R
G,D,V
D,V,K
L,Q,X
Q,X,I
X,I,U
I,U,G

Скрипт awkиспользует трехэлементное подвижное окно, w. Для каждой входной строки он заполняет три элемента окна тремя первыми полями и печатает их в виде списка, разделенного запятыми (с последующей новой строкой). Затем он выполняет итерацию по оставшимся полям в строке, сдвигая их в окно и печатая окно для каждого элемента.

Если какая-либо строка входных данных содержит менее двух полей, вы получите что-то вроде

A,,

или

A,B,

на выходе.

Если вы уверены, что каждая строка ввода содержит не менее трех полей (или если вы хотите игнорировать строки, в которых их нет), то вы можете awkнемного сократить скрипт:

function wprint() {
    print w[1], w[2], w[3];
}

function wshift(e) {
    w[1] = w[2]; w[2] = w[3]; w[3] = e;
}

BEGIN { FS = OFS = "," }

{
    for (i = 1; i <= NF; ++i) {
        wshift($i);
        if (i >= 3) {
            wprint();
        }
    }
}

Обобщение первого варианта скрипта с переменным размером окна:

function wprint(i) {
    for (i = 1; i < n; ++i) {
        printf("%s%s", w[i], OFS);
    }
    print w[n]
}

function wshift(e,i) {
    for (i = 1; i < n; ++i) {
        w[i] = w[i + 1];
    }
    w[n] = e;
}

BEGIN { FS = OFS = "," }

{
    for (i = 1; i <= n; ++i) {
        wshift($i);
    }
    wprint();

    for (i = n + 1; i <= NF; ++i) {
        wshift($i);
        wprint();
    }
}

Используй это:

$ awk -v n=4 -f script data.in
A,B,C,D
B,C,D,E
P,Q,R,
G,D,V,K
L,Q,X,I
Q,X,I,U
X,I,U,G

решение2

С perl:

perl -F, -le 'BEGIN { $, = "," } while(@F >= 3) { print @F[0..2]; shift @F }' file

С awk:

awk -F, -v OFS=, 'NF>=3 { for(i=1; i<=NF-2; i++) print $i, $(i+1), $(i+2) }' file

решение3

Используя Perl, мы можем решить эту задачу следующим образом:

perl -lne '/(?:([^,]+)(?=((?:,[^,]+){2}))(?{ print $1,$2 }))*$/' yourfile
perl -F, -lne '$,=","; print shift @F, @F[0..1] while @F >= 3' 
perl -F, -lne '$,=","; print splice @F, 0, 3, @F[1,2] while @F >= 3'

что можно записать в развернутом виде, как показано ниже:

perl -lne '
   m/
      (?:                       # set up a do-while loop
         ([^,]+)                # first field which shall be deleted after printing
         (?=((?:,[^,]+){2}))    # lookahead and remember the next 2 fields
         (?{ print $1,$2 })     # print the first field + next 2 fields
      )*                        # loop back for more
      $                         # till we hit the end of line
   /x;
' yourfile

А с помощью sed мы можем сделать это с помощью набора его команд:

sed -e '
   /,$/!s/$/,/     # add a dummy comma at the EOL

   s/,/\n&/3;ta    # while there still are 3 elements in the line jump to label "a"
   d               # else quit processing this line any further

   :a              # main action
   P               # print the leading portion, i.e., that which is left of the first newline in the pattern space
   s/\n//          # take away the marker

   s/,/\n/;tb      # get ready to delete the first field
   :b

   D               # delete the first field, and apply the sed code all over from the beginning to what remains in the pattern space
' yourfile

Dc также может сделать это:

sed -e 's/[^,]*/[&]/g;y/,/ /' gene_data.in |
dc -e '
[q]sq                            # macro for quitting
[SM z0<a]sa                      # macro to store stack -> register "M"
[LMd SS zlk>b c]sb               # macro to put register "M" -> register "S"
[LS zlk>c]sc                     # macro to put register "S" -> stack
[n44an dn44an rdn10anr z3!>d]sd  # macro to print 1st three stack elements
[zsk lax lbx lcx ldx c]se        # macro that initializes & calls all other macros
[?z3>q lex z0=?]s?               # while loop to read in file line by line and run macro "e" on each line
l?x                              # main()
'

Полученные результаты

A,B,C
B,C,D
C,D,E
D,E,F
E,F,G
P,Q,R
G,D,V
D,V,K
L,Q,X
Q,X,I
X,I,U
I,U,G

Связанный контент