Python 在linux环境中将一列值与所有列进行比较

所以我有两个文件，一个VCF看起来像

88  Chr1    25  C   -   3   2   1   1
88  Chr1    88  A   T   7   2   1   1
88  Chr1    92  A   C   16  4   1   1

GENEID  Start END
GENE_ID 11 155
GENE_ID 165 999

还有一个基因看起来像

88  Chr1    25  C   -   3   2   1   1
88  Chr1    88  A   T   7   2   1   1
88  Chr1    92  A   C   16  4   1   1

GENEID  Start END
GENE_ID 11 155
GENE_ID 165 999

我想要一个脚本，看看是否有一个基因位置（VCF文件的第三列）在第二个文件的第二和第三个位置的范围内，然后打印出来

到目前为止，我所做的是加入文件并

awk '{if (3>$12 && $3< $13) print }' > out

awk'{if（3>$12&&3<$13）打印输出

我所做的只是比较联接文件的当前行（仅当值位于同一行时才打印），如何使其比较第3列的所有行与第12列和第13列的所有行

最好的， Serg

我希望能提供帮助（编辑我更改代码以获得更高效的算法）

python中的此算法针对使用字典的非常大的文件进行了优化

limits = [line.strip().split() for line in open("input.genes")]
limits.pop(0) #remove the header
limits = [map(int,v[1:]) for v in limits]

dict_limits = {}
for start, finish in limits:
  for i in xrange(start, finish+1):
    if i not in dict_limits:
      dict_limits[i] = []
    dict_limits[i].append((start,finish))

OUTPUT = open("my_output.txt", "w")
for reg in open("input.vcf"):
  v_reg = reg.strip().split()
  if int(v_reg[2]) in dict_limits:
    OUTPUT.write(reg.strip() + "\tbetween({})\n".format(str(dict_limits[int(v_reg[2])])))

OUTPUT.close()

你会得到：

88  Chr1    25  C   -   3   2   1   1 between(,11-155)
88  Chr1    88  A   T   7   2   1   1 between(,11-155)
88  Chr1    92  A   C   16  4   1   1 between(,11-155)

88 Chr1 25 C - 3 2 1 1 between([(11, 155)]) 88 Chr1 88 A T 7 2 1 1 between([(11, 155)]) 88 Chr1 92 A C 16 4 1 1 between([(11, 155)]) 88 Chr1 25 C-3 2 1介于（[（11，155）]） 88 Chr1 88 A T 7 2 1介于（[（11155）]之间 88 Chr1 92 A C 16 4 1介于（[（11155）]之间

---

你想在发生这种情况时打印出什么？要将VCF文件中的每一行与gene id文件中的每一行进行比较吗？没有必要为此加入文件（正如您所看到的，这并不能帮助您进行交叉匹配，事实上会使交叉匹配更加困难）。这些文件有多大？他们有几排？一千万？有一个基因文件和一堆VCF文件。基因一号大约有1000行，而VCF有更多。。。从5000到200000，你将被要求在内存中存储基因坐标，然后循环通过VCF，对照每个基因的坐标检查每个变体的位置。这对于awk来说可能会很棘手，但是对于python来说却很简单。当然，这将是低效的，因为您必须对每一条VCF线进行2000次比较。你不能用像床上工具这样的东西来做吗？@heatobrien我刚刚开始处理数据，我以前从未用过床上工具。我现在正在查找它，看看它是否对我有用：）我尝试了它，但没有得到任何输出：/尝试重定向到一个文件，结果是空的。你能解释一下为什么第五行有[NR-1,1]=2美元吗？-1,1在做什么？@srx因为，您的

input.genes

文件有头，我必须删除它（i=1；i@srx是（i=1；a中的i；i++）不起作用，…因为

i在a

中返回

false

如果我保留原始命令，它会显示第11行：对数组a的非法引用。似乎我在这台机器上缺少GNU awk（GAWK），它可以工作！非常感谢您的帮助！