我有一个显示四列的文件:
chr开始结束成绩单
像这样:
chrI 128980 129130 F53G12.5b
chrI 132280 132430 F53G12.5c.2
chrI 132280 132430 F53G12.5a
chrI 132280 132430 F53G12.5b
chrI 132280 132430 F53G12.5c.1
chrI 133600 133750 F53G12.5c.2
chrI 133600 133750 F53G12.5a
chrI 133600 133750 F53G12.5b
chrI 133600 133750 F53G12.5c.1
chrI 136240 136390 F53G12.4
chrI 139100 139250 F53G12.3
chrI 163220 163370 F56C11.2a
chrI 163220 163370 F56C11.2b
chrI 173900 174050 F56C11.6a
chrI 173900 174050 F56C11.6b
chrI 173900 174050 F56C11.6c
chrI 182240 182390 F56C11.3
chrI 184080 184230 Y48G1BL.2a
chrI 190720 190870 Y48G1BL.2a
许多区域(由 chr start end 描述)是重复的,因为它们映射到超过 1 个转录本
例如:
chrI 133600 133750 F53G12.5c.2
chrI 133600 133750 F53G12.5a
chrI 133600 133750 F53G12.5b
chrI 133600 133750 F53G12.5c.1
我想要的是一个代码,它采用相同的第 1、2、3 列的行,并从中采用第 4 列的最短公共(public)部分(在本例中为 F53G12.5)并输出一个压缩条目,即:
chrI 133600 133750 F53G12.5
或者例如:
chrI 83280 83430 Y48G1C.10a
chrI 90420 90570 Y48G1C.10b
chrI 90420 90570 Y48G1C.10c
chrI 90420 90570 Y48G1C.10a
它应该给
chrI 83280 83430 Y48G1C.10a
chrI 90420 90570 Y48G1C.10
您对此有何建议?非常感谢
请您参考如下方法:
我怀疑这可以用 Pandas 非常整齐地完成,比这要好得多,但我对 Pandas 还不是很熟悉,所以......提交时没有调试。
def longest_identical_substring(words):
result = words[0]
for idx in range(len(words[0]), 0, -1):
substrings = [w[:idx] for w in words]
if max(substrings) == min(substrings):
result = substrings[0]
else:
return result
transcripts = defaultdict(list)
with open('myfile.csv') as infile:
reader = csv.reader(infile)
for row in reader:
transcripts[row[:3]].append(row[3])
for ((chr, start, end), ts) in transcripts.items():
print(chr, start, end, longest_identical_substring(ts))
