Python 将多行连接到pfam输出文件中的单行

我有以下多行数据：

TRINITY_GG_428_c0_g1_i1_或F1 PF13499.1 EF_hand_5
TRINITY_GG_428_c0_g1_i1_或F1 PF00036.27 efhand
TRINITY_GG_428_c0_g1_i1_或F1 PF13405.1 EF_手4
TRINITY_GG_428_c0_g1_i1_或F1 PF13833.1 EF_hand_6
TRINITY_GG_428_c0_g1_i1_或F1 PF13202.1 EF_hand_3
TRINITY_GG_429_c0_g1_i1_或F1 PF00156.22 Pribosyltran
TRINITY_GG_431_c5_g1_i1_或F1 PF00475.13 IGPD
TRINITY_GG_461_c0_g1_i1_或F1 PF01208.12 URO-D
TRINITY_GG_461_c0_g1_i1_或F1 PF12876.2类纤维素酶

我要做的是将它们转换为一行：

TRINITY_GGU 428_c0_g1_i1_或F1 PF13499.1 EF_hand_5 | PF00036.27 EF|PF13405.1 EF_hand_4 | PF13833.1 EF_hand_6 | PF13202.1 EF_hand_3
TRINITY_GG_429_c0_g1_i1_或F1 PF00156.22 Pribosyltran
TRINITY_GG_431_c5_g1_i1_或F1 PF00475.13 IGPD
TRINITY_GG_461_c0_g1_i1_或F1 PF01208.12 URO-D | PF12876.2类纤维素酶

匹配的线总是相邻的

---

如何在sed/awk/Perl/Python中解决这个问题？

您可以使用Python正则表达式来执行类似的操作

import re

out_lines = []
with open('file.txt', 'r') as f:
    key = None
    key_lines = []
    for line in f:
        m = re.match(r'^(\S+)\s(.+)$', line)
        k, v = m.group(1), m.group(2)
        if k != key:
            if key:
                out_lines.append('{0} {1}'.format(key, ' | '.join(key_lines)))
            key = k
            key_lines = [v]
        else:
            key_lines.append(v)
    else:
        if key:
            out_lines.append('{0} {1}'.format(key, ' | '.join(key_lines)))

with open('out.txt', 'w') as f:
    f.write('\n'.join(out_lines))

使用GNU时：

$ sed -r ':a;N;s/^([^ ]*)( .*)\n\1(.*)$/\1\2 |\3/;ta;P;D' infile
TRINITY_GG_428_c0_g1_i1_orf1 PF13499.1 EF_hand_5 | PF00036.27 efhand | PF13405.1 EF_hand_4 | PF13833.1 EF_hand_6 | PF13202.1 EF_hand_3
TRINITY_GG_429_c0_g1_i1_orf1 PF00156.22 Pribosyltran
TRINITY_GG_431_c5_g1_i1_orf1 PF00475.13 IGPD
TRINITY_GG_461_c0_g1_i1_orf1 PF01208.12 URO-D | PF12876.2 Cellulase-like

主要部分是替换：它检查两行是否以相同的字符串开头（直到第一个空格），如果是，则连接行，从第二行删除字符串，并用管道替换换行符

拆分：

:label     # Label to branch to
N          # Append next line to pattern space
s/^([^ ]*)( .*)\n\1(.*)$/\1\2 |\3/  # Substitution
t label    # Branch to label if the substitution took place
P          # Strings weren't identical: print up to newline
D          # Delete up to newline, start new cycle (second line become first line)

为了使BSD sed能够工作，我们必须在标签周围拆分命令，并使用

-E

标志，而不是

-r

：

sed -E -e ':a' -e 'N;s/^([^ ]*)( .*)\n\1(.*)$/\1\2 |\3/;ta' -e 'P;D' infile

为了更好地衡量，仔细看看替代：

s/            # Start substitution
    ^         # Anchor at start of pattern space
    ([^ ]*)   # Match and capture non-space characters (group #1)
    ( .*)     # Capture up to end of line (group #2)
    \n        # Match newline
    \1        # Start of second line: match first capture group
    (.*)      # Capture rest of second line (group #3)
    $         # Anchor at end of pattern space
/             # Delimiter for substitution
    \1\2 |\3  # Substitute: captures groups 1 and 2, space, pipe, capture group 3
/             # End of substitution

---

这是一种非常常见的编程模式。您需要使用Perl哈希来累积属于每个不同初始字段（键）的所有数据。然后只需按所需的顺序和格式打印哈希

这个程序演示了。我假设您希望按键的词法顺序打印键。如果您需要任何不同的内容，例如它们在源数据中首次出现的顺序，那么请这样说—一个小的更改是必要的

该程序希望输入文件的路径作为命令行上的参数，并将其输出发送到STDOUT，STDOUT可以以正常方式重定向

use strict;
use warnings 'all';

my %data;

while ( <> ) {
    chomp;
    my ($key, $val) = split ' ', $_, 2;
    push @{ $data{$key} }, $val;
}

print $_, ' ', join(' | ', @{ $data{$_} }), "\n" for sort keys %data;

---

只要在当前行的第一个字段与前一行相同时建立所有行的连接记录，然后在第一个字段的值发生变化时打印：

$ awk '
    $1==prev { rec = rec " | " $2 " " $3 }
    $1!=prev { if (NR>1) print rec; rec=$0 }
    { prev=$1 }
    END { print rec }
' file
TRINITY_GG_428_c0_g1_i1_orf1 PF13499.1 EF_hand_5 | PF00036.27 efhand | PF13405.1 EF_hand_4 | PF13833.1 EF_hand_6 | PF13202.1 EF_hand_3
TRINITY_GG_429_c0_g1_i1_orf1 PF00156.22 Pribosyltran
TRINITY_GG_431_c5_g1_i1_orf1 PF00475.13 IGPD
TRINITY_GG_461_c0_g1_i1_orf1 PF01208.12 URO-D | PF12876.2 Cellulase-like

或者，如果您的输入行键不是连续的，并且您不关心输出顺序是否与输入顺序相同，并且您的输入文件足够小，可以将其全部保存在内存中，那么您可以使用散列方法，在不同的答案中建议：

$ awk '{a[$1]=($1 in a ? a[$1]" | "$2" "$3 : $0)} END{for (k in a) print a[k]}' file
TRINITY_GG_429_c0_g1_i1_orf1 PF00156.22 Pribosyltran
TRINITY_GG_461_c0_g1_i1_orf1 PF01208.12 URO-D | PF12876.2 Cellulase-like
TRINITY_GG_431_c5_g1_i1_orf1 PF00475.13 IGPD
TRINITY_GG_428_c0_g1_i1_orf1 PF13499.1 EF_hand_5 | PF00036.27 efhand | PF13405.1 EF_hand_4 | PF13833.1 EF_hand_6 | PF13202.1 EF_hand_3

---

匹配的行总是在连续的行上吗？是的，我想将重复的行连接成一条单行。当我将a[$1]替换为$0时，这样可以吗：

awk'{a[$1]=（$1在a？$0“|“$2”“$3:$0）}END{for（k在a）打印[k]}文件

？我不确定我理解这个问题，但

a[$1]=（$1在a？$0“|“$2”“$3:$0）

最好写为

a[$1]=$0（$1在a？”|“$2”“$3:”）

因此您只需声明公共部分$0一次，并明确表示它无条件发生。