Python 比较两个选项卡分隔的文件

这是一个与生物信息学相关的问题，但仍然是一个非常重要的编程问题。对于下面给出的问题，我没有在bash中构建一些行程序，并考虑在这里提问。请帮忙

问题：我有两个文件（标签分开）。文件A看起来像

chr1    17050255    234916798
chr1    36688211    36840408
chr1    153961765   154156955
chr1    154128722   154194653
chr1    154130378   154156872
chr1    207493679   207819735

这是一个基因组坐标列表

文件B的前3列中还包含基因组坐标，第4列中有一个名称

chr1    1709155 1709324 MMM3
chr1    1709155 1709324 Sk-20
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZdaA
chr1    1709608 1709727 ZA
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1
chr1    1709629 1709727 E-1

我想让文件B的区域（以及第四列）与文件A重叠，并像这样打印它

ChrA   StrtA    stpA    ChrB  SrtB  StpB       Name 

首先是文件A中的区域，然后是文件B中与其重叠的区域以及文件B中第四列的值

---

谢谢你

我绝对推荐你看看这样做。将两者加载到单独的数据帧中，然后您应该能够以您希望看到的格式将它们合并在一起。

我绝对建议您查看以执行类似操作。将两者加载到单独的数据帧中，然后您应该能够以您希望看到的格式将它们合并在一起。

使用bedtools

---

（你也可以问）使用床上工具：

（你也可以问）

你可以用SQL的方式处理你的问题：

#!/usr/bin/env perl
use strict;
use utf8;
use warnings 'all';

use Data::Printer;
use DBI;

my $dbh = DBI->connect('dbi:CSV:', undef, undef, {
    f_encoding      => 'utf8',
    csv_quote_char  => undef,
    csv_escape_char => undef,
    csv_sep_char    => "\t",
    csv_eol         => "\n",
    csv_quote_space => 0,
    csv_quote_null  => 0,
    csv_tables      => {
        fileA       => { file => 'fileA.tsv' },
        fileB       => { file => 'fileB.tsv' },
    },
    RaiseError      => 1,
    PrintError      => 1,
}) or die "DBI/DBD::CSV error: " . $DBI::errstr;

my $sth = $dbh->prepare(<<SQL_QUERY);
    SELECT *
    FROM fileA
    JOIN fileB ON
        (StrtA <= StpB) OR (StrtB <= StpA)
    WHERE Name IS NOT NULL
SQL_QUERY

$sth->execute;
while (my $row = $sth->fetchrow_arrayref) {
    p $row;
}
$sth->finish;
$dbh->disconnect;

#/usr/bin/env perl
严格使用；
使用utf8；
使用“全部”警告；
使用数据打印机；
使用DBI；
my$dbh=DBI->connect（'DBI:CSV:'，未定义，未定义{
f_编码=>'utf8'，
csv_quote_char=>未定义，
csv_escape_char=>未定义，
csv\u sep\u char=>“\t”，
csv\u eol=>“\n”，
csv_quote_space=>0，
csv_quote_null=>0，
csv_表=>{
fileA=>{file=>'fileA.tsv'}，
fileB=>{file=>'fileB.tsv'}，
},
RaiseError=>1，
PrintError=>1，
})或死“DBI/DBD:：CSV错误：”$DBI:：errstr；
我的$sth=$dbh->prepare（断开连接；

（不过，我不确定是否理解您的重叠情况）

您可以使用类似SQL的方式来处理您的问题：

#!/usr/bin/env perl
use strict;
use utf8;
use warnings 'all';

use Data::Printer;
use DBI;

my $dbh = DBI->connect('dbi:CSV:', undef, undef, {
    f_encoding      => 'utf8',
    csv_quote_char  => undef,
    csv_escape_char => undef,
    csv_sep_char    => "\t",
    csv_eol         => "\n",
    csv_quote_space => 0,
    csv_quote_null  => 0,
    csv_tables      => {
        fileA       => { file => 'fileA.tsv' },
        fileB       => { file => 'fileB.tsv' },
    },
    RaiseError      => 1,
    PrintError      => 1,
}) or die "DBI/DBD::CSV error: " . $DBI::errstr;

my $sth = $dbh->prepare(<<SQL_QUERY);
    SELECT *
    FROM fileA
    JOIN fileB ON
        (StrtA <= StpB) OR (StrtB <= StpA)
    WHERE Name IS NOT NULL
SQL_QUERY

$sth->execute;
while (my $row = $sth->fetchrow_arrayref) {
    p $row;
}
$sth->finish;
$dbh->disconnect;

！/usr/bin/env perl
严格使用；
使用utf8；
使用“全部”警告；
使用数据打印机；
使用DBI；
my$dbh=DBI->connect（'DBI:CSV:'，未定义，未定义{
f_编码=>'utf8'，
csv_quote_char=>未定义，
csv_escape_char=>未定义，
csv\u sep\u char=>“\t”，
csv\u eol=>“\n”，
csv_quote_space=>0，
csv_quote_null=>0，
csv_表=>{
fileA=>{file=>'fileA.tsv'}，
fileB=>{file=>'fileB.tsv'}，
},
RaiseError=>1，
PrintError=>1，
})或死“DBI/DBD:：CSV错误：”.$DBI:：errstr；
我的$sth=$dbh->prepare（断开连接；

---

---

（我不确定我是否理解您的重叠条件）

您如何定义“重叠”？鉴于上述数据，您的预期输出是什么？对于此类问题，通常需要一个从示例输入中得到的预期输出的实际示例。“结果”的字符串不要出现在输入中，因此输出不会以清晰的方式显示您想要的内容。如果您选择Python路线，使用模块解析输入文件可能会使您的生活更轻松。您的bash脚本失败了。您是否有Perl或Python中的任何内容，或者什么都没有？显示任何代码可能有助于理解您正在尝试执行的操作史蒂夫：这些是碱基对，所以在1号染色体上，我有一个从17050255开始到234916798结束的片段。如果在文件B中也有一个片段在1号染色体上，它的起始值或结束值在17050255和234916798之间，它被定义为重叠。你如何定义“重叠”呢？根据上述数据，您的预期输出是什么？对于这类问题，通常需要一个由示例输入产生的预期输出的实际示例。“结果”的字符串不要出现在输入中，因此输出不会以清晰的方式显示您想要的内容。如果您选择Python路线，使用模块解析输入文件可能会使您的生活更轻松。您的bash脚本失败了。您是否有Perl或Python中的任何内容，或者什么都没有？显示任何代码可能有助于理解您正在尝试执行的操作史蒂夫：这些是碱基对，所以在1号染色体上，我有一个从17050255开始到234916798结束的片段。如果在文件B中也有一个片段在1号染色体上，并且它的起始值或结束值在17050255和234916798之间，它被定义为重叠。熊猫要查找重叠吗？我很瘦k你需要精确匹配，我相信这里的重叠并不意味着在这种情况下相等。@petr:不，你不必把核苷酸含量放在里面。这纯粹是数学上的。熊猫会查找重叠吗？我想你需要精确匹配，这里的重叠不意味着在这种情况下相等。@petr:不，我相信你不必把核苷酸含量放进去。这纯粹是数学问题。我不明白你的问题：看看像-wa这样的交叉床选项，使用cut来减少列数。我的评论来的太晚了！：-）我已经解决了Pierre，我用-wa和-wb选项一起得到了所需的输出。谢谢你的启发：）我不明白你的问题：看看像-wa这样的intersectBed选项，使用cut来减少列数。我的评论来了，太晚了！：-）我已经解决了这个问题，我使用-wa和-wb选项同时获得了所需的输出。谢谢你启发我：）