这个问题跟在问题后面:How to read two lines from a file and create dynamics keys in a for-loop?
但是,这个问题的性质已经发展到了我想要解决的某种复杂性。在
以下是我的数据结构用空格隔开。在
chr pos M1 M2 Mk Mg1 F1_hybrid F1_PG F1_block S1 Sk1 S2 Sj
2 16229767 T/T T/T T/T G/T C|T 1|0 726 . T/C T/C T/C
2 16229783 C/C C/C C/C A/C G|C 0|1 726 G/C G/C G/C C|G
2 16229992 A/A A/A A/A G/A G|A 1|0 726 A/A A/A A/A A|G
2 16230007 T/T T/T T/T A/T A|T 1|0 726 A|T A|T A|T A|T
2 16230011 G/G G/G G/G G/G C|G 1|0 726 G/C C|G C|G G/C
2 16230049 A/A A/A A/A A/A T|A 1|0 726 A|T . A/T A/T
2 16230174 . . . C/C T|C 1|0 726 C|T T|C T|C C|T
2 16230190 A/A A/A A/A A/A T|A 1|0 726 T|G G|T T|G T|G
2 16230260 A/A A/A A/A A/A G|A 1|0 726 G/G G/G G/G G/G
说明:
上面的文件中有两大类数据。来自Group M
的数据具有以M开头的示例名称,类似地,group S
具有多个以S开头的列名称。
有一个混合柱(用F1混合表示)。
数据是沿着位置线的字符串。F1|混合动力车是用管道(|)来区分这两个字母的。所以,F1中的两个字符串值是C-G-G-A-C-T-T-T-G
,而另一个字符串值是T-C-A-T-G-A-C-A-A。其中一个字符串来自M-group,另一个来自S-group,但是我需要做一些统计分析。但是,我可以从视觉上看出T-C-A-T-G-A-C-A-A字符串很可能来自M-group。
程序:
我阅读第一行并使用列信息创建一个唯一的键。
然后我读了第二行和第三行,以及F1|u hybrid中的值,即C | T和G | C。现在,我需要计算M组和S组之间存在多少GgC(解释为G给定C)和CgT(C给定T)。
然后读取第三(G | C)和第四(G | A)线在F1|混合。所以,这两个州是GgG和AgC。同样地,我现在认为M和S组中存在许多GcG和AgC。
因此,我试图构建一个Markov-model
,它计算F1阶段字符串的状态数,并以group M
和group S
中观察到的计数。在
我现在解释,如何根据F1_hyrbid计算任何XgY(X给定Y)的数量:
条件01:
对于第2行和第3行,M1
样本的状态为(T/T with C/C)。由于分隔符是一个斜线(/)而不是管道(|),我们无法判断M1样本处于哪个状态。但是,我们可以创建组合矩阵(用于前状态和当前状态)
现在,我们可以知道有4个总的CgT
如果这个条件满足,我们继续做同样的矩阵。在
条件02
M组的其他样本也是如此,但Mg1除外,其中G/T在A/C之前。因此,矩阵为:
G T
A AgG AgT
C CgG CgT
所以,这里我们观察到1个CgT计数。在
条件03:
但是,如果在这两种状态下,早期的状态-现在状态都是由管道相控的(如样品Sk1的A | T位于1623007位置,C | G位于16230011位置)我们可以直接计算出该位置观察状态的相态,即只有CgA和GgT,所以CgT的计数为0。在
条件04: 如果一个状态有pipe(|),而另一个有斜杠(/),则条件将与两个有斜杠的状态相同。在
条件05: 如果任何先前的状态或现在的状态是周期(.),则观察计数自动为F1_hybrid预期状态的零(0)。在
所以,预期输出应该是这样的:
pos M1 M2 Mk Mg1 H0 H1 S1 Sk1 S2 Sj
16..9783 4-CgT 4-CgT 4-CgT 1-CgT GgC CgT 0 1-CgT 1-CgT 1-CgT
16..9992 4-AgC 4-AgC 4-AgC 2-AgC GgG AgC 1-AgC 1-AgC 1-AgC 1-AgC,1-GgG
16..0007 4-TgA 4-TgA 4-TgA 1-AgG,1-TgA AgG TgA 2-TgA 2-TgA 2-TgA1 1-TgA
..................contd
或者,字典格式中每个列的值都是相同的。类似于['4-CgT','4-CgT','4-CgT','4-CgT']
在16..9783位置的第一个M1,其他的也一样。在
这个问题有点老,但很有趣,因为你有一个非常清晰的规范,你需要帮助来编写代码。我将按照自顶向下的方法公开一个解决方案,这是一个非常著名的方法,使用普通的老python。适应大熊猫应该不难。在
自上而下的方法对我来说意味着:如果你不知道怎么写,就给它命名吧!
您有一个文件(或字符串)作为输入,并希望输出一个文件(或字符串)。这看起来很简单,但是您需要合并行对来构建每个新行。其理念是:
现在您还不知道如何编写行生成器。你也不知道如何为每一对建立一个新的行。不要被困难所阻碍,只要说出解决办法。假设您有一个函数
get_rows
和一个函数build_new_row
。让我们写下:现在,检查两个“缺少”函数:}。
函数
^{pr2}$get_rows
和{get_rows
非常容易编写。主要内容如下:其中
process_line
只是在空格上拆分行,例如使用re.split("\s+", line.strip())
。在第二部分是
^{3}$build_new_row
。仍然是自顶向下的方法:您需要从预期的表中构建H0和H1,然后根据您暴露的条件为每M和S构建H1的计数。假设您有一个计算H0和H1的pipe_compute
函数,以及一个为每M和S构建H1计数的build_count
函数:你现在几乎什么都有了。看看
pipe_compute
:这正是你在条件03中写的。在对于
buid_count
,坚持自顶向下的方法:我们还在往下走。我们什么时候有
is_slash_count
?两个斜杠(条件01和02)或一个斜杠和一个管子(条件04):函数
slash_count
只是条件01和02的2x2表:函数
pipe_count
更简单,因为您只需计算pipe_compute
的结果:现在你完蛋了。我得到了这个结果,与你的预期略有不同,但你肯定已经看到我的错误了吗公司名称:
奖金:Try it online!
重要的是,除了这个特定问题的解决方案之外,我所使用的方法以及在软件开发中广泛使用的方法。代码可能会有很大的改进。在
相关问题 更多 >
编程相关推荐