다음과 같이 9개의 변수를 포함하는 tsv 파일이 있습니다.
> seqnames start endwidth strand metadata X.10logMacsq annotation distanceToTSS
메타데이터 열에는 분석하려는 정보가 포함되어 있지만 먼저 항목을 분할하여 헤더가 있는 자체 열에 넣어야 합니다. 메타데이터는 다음과 같습니다(첫 번째 행).
ID=SRX067411;Name=H3K27ac%20(@%20HMEC);Title=GSM733660:%20Bernstein%20HMEC%20H3K27ac;Cell%20group=Breast;<br>source_name=HMEC;biomaterial_provider=Lonza;lab=Broad;lab%20description=Bernstein%20-%20Broad%20Institute;datatype=ChipSeq;datatype%20description=Chromatin%20IP%20Sequencing;cell%20organism=human;cell%20description=mammary%20epithelial%20cells;cell%20karyotype=normal;cell%20lineage=ectoderm;cell%20sex=U;antibody%20antibodydescription=rabbit%20polyclonal.%20Antibody%20Target:%20H3K27ac;
이 열에는(행당) 총 27개의 항목이 있지만(여기에 모두 표시되지는 않음) 먼저 해당 항목을 모두 해당 열에 기록한 다음 필요하지 않은 항목을 삭제해야 한다고 생각했습니다. 설명적인 열 제목이 있으면 이름을 제거할 수도 있습니다(예: ID=SRX 그냥 SRX 등).
샘플 파일 입력(첫 번째 줄)
seqnames start end width strand metadata X.10logMacsq annotation geneChr geneStart geneEnd geneLength geneStrand geneId distanceToTSS
chr2 1711333 1711568 236 * ID=SRX067411;Name=H3K27ac%20(@%20HMEC);Title=GSM733660:%20Bernstein%20HMEC%20H3K27ac;Cell%20group=Breast;<br>source_name=HMEC;biomaterial_provider=Lonza;lab=Broad;lab%20description=Bernstein%20-%20Broad%20Institute;datatype=ChipSeq;datatype%20description=Chromatin%20IP%20Sequencing; 447 Intron (uc002qxa.3/7837, intron 1 of 22) 1 1635659 1748291 112633 2 7837 36723
이 문제를 해결하도록 도와주거나 조언을 줄 수 있는 사람이 있나요? 저는 Bash를 처음 접했고 이러한 명령에 익숙하지 않습니다.
지금까지 몇 가지 파일을 정리했습니다.
cut --complement -f 9-14 hisHMECanno.tsv | sed 's/%20/ /g' > hisHMECannoFilt.tsv
(원본 파일에는 불필요한 열이 몇 개 있어서 방금 제거했습니다.)
그런 다음 awk를 사용하여 항목을 탭으로 구분된 열로 분리하려고 계속 시도했지만 소용이 없었습니다.
답변1
다음 Perl 스크립트는 다음을 사용합니다.텍스트::CSV모듈은 TSV 파일을 읽고 올바른 형식의 TSV 데이터를 출력합니다.
필요한 경우 자동으로 필드를 인용하고 Text::CSV
설정을 사용하여 undef_str
정의되지 않은 메타데이터 필드를 인용된 빈 문자열로 출력합니다 ( 또는 ""
로 인쇄하는 방법에 대한 주석 처리된 예 포함 ).N/A
--
이 세 줄 중 최대 한 줄은 주석 처리를 제거해야 하며, 나머지 줄은 삭제하거나 주석 처리해야 합니다. 이 필드를 비워 두려면 세 줄을 모두 삭제/주석 처리하세요.
정의되지 않은 필드에 뭔가를 추가하는 것이 좋습니다. 이렇게 하면 두 개 이상의 탭(예: 빈 필드)을 단일 탭과 동일하게 처리할 수 있는 다른 도구를 사용하여 이 스크립트의 출력을 후처리하는 것이 더 쉬워지기 때문입니다(예: 필드 구분 기호를 기본 "공백 수 제한" 대신 단일 탭으로 명시적으로 설정하지 않는 한 기본적으로 이 작업을 수행 awk
합니다 .perl
Text::CSV
데비안 및 관련 배포판용으로 libtext-csv-perl
(순수한 Perl 버전) 및 libtext-csv-xs-perl
(더 빠르게 컴파일된 C 모듈) 로 패키지되어 있습니다. 를 사용하세요 apt install libtext-csv-perl
. 다른 배포판에서도 이를 패키징할 수 있습니다. 그렇지 않으면 를 사용하십시오 cpan
.
#!/usr/bin/perl
use strict;
use Text::CSV qw(csv);
my $csv=Text::CSV->new({sep_char => "\t", quote_space => 0});
# optional: define how to print undefined fields
#$csv->undef_str ('--');
#$csv->undef_str ('N/A');
$csv->undef_str ('""');
# get header line, split into an arrayref called $cols
my $cols = $csv->getline(*ARGV);
# get first data row, extract headers & data from metadata field
my $row = $csv->getline(*ARGV);
# The following line assumes that the metadata in the FIRST data row
# contains ALL of the metadata fields in the exact order you want them
# included in the output.
#
my $md_headers = extract_metadata_headers($$row[4]);
#
# If this is not the case, then delete the extract_metadata_headers
# subroutine and define the metadata fields manually with something
# like:
#
#my $md_headers = [
# 'ID', 'Name', 'Title', 'Cell group', 'source_name',
# 'biomaterial_provider', 'lab', 'lab description', 'datatype',
# 'datatype description', 'cell organism', 'cell description',
# 'cell karyotype', 'cell lineage', 'cell sex',
# 'antibody antibodydescription'
#];
# This defines both the extra metadata headers **and** the order
# that they will be included in each output row.
# extract the data from the metadata field
my $md_data = extract_metadata($$row[4]);
# replace the metadata header in $cols aref with the md headers
splice @$cols,4,1,@$md_headers;
# replace the metadata field in $row aref with the md fields
splice @$row,4,1,@$md_data;
# print the updated header line and the first row of data
$csv->say(*STDOUT,$cols);
$csv->say(*STDOUT,$row);
# main loop: extract and print the rest of the data
while (my $row = $csv->getline(*ARGV)) {
my $md_data = extract_metadata($$row[4]);
splice @$row,4,1,@$md_data;
$csv->say(*STDOUT,$row);
}
###
### subroutines
###
sub extract_metadata_headers {
my $md = clean_metadata(shift);
my @metadata = split /;/, $md;
my @headers=();
foreach (@metadata) {
next if m/^\s*$/; # skip empty metadata
my ($key,$val) = split /=/;
push @headers, $key;
};
return \@headers;
};
sub extract_metadata {
my $md = clean_metadata(shift);
my @metadata = split /;/, $md;
my %data=();
foreach (@metadata) {
next if m/^\s*$/; # skip empty metadata
my ($key,$val) = split /=/;
$data{$key} = $val;
};
return [@data{@$md_headers}];
};
sub clean_metadata {
my $md = shift;
$md =~ s/%(\d\d)/chr hex $1/eg; # decode %-encoded spaces etc.
$md =~ s/<[^>]*>//g; # remove HTML crap like <br>
return $md;
};
예를 들어 process-tsv.pl
, 이를 실행 가능하게 만들고 chmod +x process-tsv.pl
실행할 때 파일 이름 인수를 제공하십시오. 예를 들어
$ ./process-tsv.pl filename.tsv
stdout에 다음 출력이 생성됩니다.
$ ./process-tsv.pl input.tsv
seqnames start endwidth strand ID Name Title Cell group source_name biomaterial_provider lab lab description datatype datatype description cell organism cell description cell karyotype cell lineage cell sex antibody antibodydescription X.10logMacsq annotation distanceToTSS
seq1 1 10 X SRX067411 H3K27ac (@ HMEC) GSM733660: Bernstein HMEC H3K27ac Breast HMEC Lonza Broad Bernstein - Broad Institute ChipSeq Chromatin IP Sequencing human mammary epithelial cells normal ectoderm U rabbit polyclonal. Antibody Target: H3K27ac x10 annot dist
seq2 2 20 Y SRX067411 H3K27ac (@ HMEC) GSM733660: Bernstein HMEC H3K27ac "" "" Lonza Broad Bernstein - Broad Institute ChipSeq Chromatin IP Sequencing human mammary epithelial cells normal ectoderm U "" Y10 annot2 dist2
물론 출력을 셸의 파일로 리디렉션할 수 있습니다.
./process-tsv.pl input.tsv > output.tsv
답변2
모든 Unix 시스템의 쉘에서 awk를 사용하면 아마도 이것이 수행되기를 원할 것입니다. 그러나 추측을 테스트하는 데 사용할 수 있는 샘플 입력/출력은 없습니다.
$ cat tst.awk
BEGIN { FS=OFS="\t" }
{
gsub(/%20/," ")
gsub(/<br>/,"")
}
NR==1 {
hdr = $0
next
}
NR==2 {
orig = $0
gsub(/=[^=;]+;/,OFS,$6)
sub(OFS"$","",$6)
tags = $6
$0 = hdr
$6 = tags
print
$0 = orig
}
{
gsub(/[^=;]+=/,OFS,$6)
sub("^"OFS,"",$6)
gsub(/;/,"",$6)
print
}
$ awk -f tst.awk file
> seqnames start endwidth strand ID Name Title Cell group source_name biomaterial_provider lab lab description datatype datatype description cell organism cell description cell karyotype cell lineage cell sex antibody antibodydescription X.10logMacsq annotation distanceToTSS
> foo bar etc anon SRX067411 H3K27ac (@ HMEC) GSM733660: Bernstein HMEC H3K27ac Breast HMEC Lonza Broad Bernstein - Broad Institute ChipSeq Chromatin IP Sequencing human mammary epithelial cells normal ectoderm U rabbit polyclonal. Antibody Target: H3K27ac end more stuff
위의 내용은 다음 입력 파일을 사용하여 실행되었습니다.
$ cat file
> seqnames start endwidth strand metadata X.10logMacsq annotation distanceToTSS
> foo bar etc anon ID=SRX067411;Name=H3K27ac%20(@%20HMEC);Title=GSM733660:%20Bernstein%20HMEC%20H3K27ac;Cell%20group=Breast;<br>source_name=HMEC;biomaterial_provider=Lonza;lab=Broad;lab%20description=Bernstein%20-%20Broad%20Institute;datatype=ChipSeq;datatype%20description=Chromatin%20IP%20Sequencing;cell%20organism=human;cell%20description=mammary%20epithelial%20cells;cell%20karyotype=normal;cell%20lineage=ectoderm;cell%20sex=U;antibody%20antibodydescription=rabbit%20polyclonal.%20Antibody%20Target:%20H3K27ac; end more stuff
그 안의 모든 공백은 탭 문자입니다.
column
다음을 사용하여 테이블로 시각화하여 값이 레이블(열 머리글 문자열)과 어떻게 정렬되는지 확인할 수 있습니다.
입력하다:
$ column -s$'\t' -t file
> seqnames start endwidth strand metadata X.10logMacsq annotation distanceToTSS
> foo bar etc anon ID=SRX067411;Name=H3K27ac%20(@%20HMEC);Title=GSM733660:%20Bernstein%20HMEC%20H3K27ac;Cell%20group=Breast;<br>source_name=HMEC;biomaterial_provider=Lonza;lab=Broad;lab%20description=Bernstein%20-%20Broad%20Institute;datatype=ChipSeq;datatype%20description=Chromatin%20IP%20Sequencing;cell%20organism=human;cell%20description=mammary%20epithelial%20cells;cell%20karyotype=normal;cell%20lineage=ectoderm;cell%20sex=U;antibody%20antibodydescription=rabbit%20polyclonal.%20Antibody%20Target:%20H3K27ac; end more stuff
산출:
$ awk -f tst.awk file | column -s$'\t' -t
> seqnames start endwidth strand ID Name Title Cell group source_name biomaterial_provider lab lab description datatype datatype description cell organism cell description cell karyotype cell lineage cell sex antibody antibodydescription X.10logMacsq annotation distanceToTSS
> foo bar etc anon SRX067411 H3K27ac (@ HMEC) GSM733660: Bernstein HMEC H3K27ac Breast HMEC Lonza Broad Bernstein - Broad Institute ChipSeq Chromatin IP Sequencing human mammary epithelial cells normal ectoderm U rabbit polyclonal. Antibody Target: H3K27ac end more stuff
답변3
사용밀러
$ mlr --tsv put -S '
$metadata = gsub($metadata,"%20"," "); $metadata = gsub($metadata,"<br>|;$","")
' then put -S '
$* = mapsum($*,splitkvx($metadata,"=",";"))
' then cut -x -f metadata HisHMECanno.tsv
seqnames start end width strand X.10logMacsq annotation geneChr geneStart geneEnd geneLength geneStrand geneId distanceToTSS ID Name Title Cell group source_name biomaterial_provider lab lab description datatype datatype description
chr2 1711333 1711568 236 * 447 Intron (uc002qxa.3/7837, intron 1 of 22) 1 1635659 1748291 112633 2 7837 36723 SRX067411 H3K27ac (@ HMEC) GSM733660: Bernstein HMEC H3K27ac Breast HMEC Lonza Broad Bernstein - Broad Institute ChipSeq Chromatin IP Sequencing
이 두 put
명령을 합쳐도 되지만, '데이터 정리' 단계와 '필드 분할' 단계로 분리하는 것이 더 명확할 것 같습니다.
더 명확한 필드 분할을 위해 출력 형식을 CSV로 변경합니다.
mlr --itsv --ocsv put -S '
$metadata = gsub($metadata,"%20"," "); $metadata = gsub($metadata,"<br>|;$","")
' then put -S '
$* = mapsum($*,splitkvx($metadata,"=",";"))
' then cut -x -f metadata HisHMECanno.tsv
seqnames,start,end,width,strand,X.10logMacsq,annotation,geneChr,geneStart,geneEnd,geneLength,geneStrand,geneId,distanceToTSS,ID,Name,Title,Cell group,source_name,biomaterial_provider,lab,lab description,datatype,datatype description
chr2,1711333,1711568,236,*,447,"Intron (uc002qxa.3/7837, intron 1 of 22)",1,1635659,1748291,112633,2,7837,36723,SRX067411,H3K27ac (@ HMEC),GSM733660: Bernstein HMEC H3K27ac,Breast,HMEC,Lonza,Broad,Bernstein - Broad Institute,ChipSeq,Chromatin IP Sequencing
답변4
이는 정규식 및 목록 이해와 결합된 Python 사전 및 목록 데이터 구조를 사용하여 수행할 수 있습니다.
python3 -c 'import sys, re
ifile = sys.argv[1]
fs,rs = ofs,ors = "\t","\n"
with open(ifile) as f:
for nr,l in enumerate(f,1):
F = l.rstrip(rs).split(fs)
if nr == 1:
H = F
idx_md = F.index("metadata")
continue
md_hdrs = re.findall(r"[^=;]+(?==)",F[idx_md])
md = dict(t.split("=") for t in re.sub(r";+$","",F[idx_md]).split(";"))
if nr == 2:
print(*H[:idx_md], *md_hdrs, *H[idx_md+1:], sep=ofs)
print(*F[:idx_md], *[md.get(key,"") for key in md_hdrs], *F[idx_md+1:], sep=ofs)
' file
산출:
seqnames start end width strand ID Name Title Cell%20group <br>source_name biomaterial_provider lab lab%20description datatype datatype%20description X.10logMacsq annotation geneChr geneStart geneEnd geneLength geneStrand geneId distanceToTSS
chr2 1711333 1711568 236 * SRX067411 H3K27ac%20(@%20HMEC) GSM733660:%20Bernstein%20HMEC%20H3K27ac Breast HMEC Lonza Broad Bernstein%20-%20Broad%20Institute ChipSeq Chromatin%20IP%20Sequencing 447 Intron (uc002qxa.3/7837, intron_1_of_22) 1 1635659 1748291 112633 2 7837 36723