使用熊猫或枚举查找两个数据集之间的重叠/范围

问题描述：

我想对两个文件执行一些区间范围操作，并且出现以下条件检查chrom是否相等，然后检查我的co0rdinatefile的开始和结束是否在相等或相等开始和结束gene_annotation文件（条件如果链是“+”，开始和结束将是例如10-20，如果它的“ - ”将是20-10），如果匹配打印开始末尾链从坐标和来自geneannotation文件的gene_id，gene_name。（用于表示目的，我有头annoataion文件）使用熊猫或枚举查找两个数据集之间的重叠/范围

中的行数注释文件〜50000 数协调的文件中的行〜200000

gene_annotationfile

chrom  start  end    gene_id gene_name strand 
17 71223692 71274336 ENSMUSG00000085299  Gm16627  - 
17 18186448 18211184 ENSMUSG00000067978 Vmn2r-ps113  + 
11 84645863 84684319 ENSMUSG00000020530  Ggnbp2  - 
7 51097639 51106551 ENSMUSG00000074155   Klk5  + 
13 31711037 31712238 ENSMUSG00000087276  Gm11378  +

coordinates_file

chrom start end strand 
    1 4247322 4247912 - 
    1 4427449 4432604 + 
    1 4763414 4764404 - 
    1 4764597 4767606 - 
    1 4764597 4766491 - 
    1 4766882 4767606 - 
    1 4767729 4772649 - 
    1 4767729 4768829 - 
    1 4767729 4775654 - 
    1 4772382 4772649 - 
    1 4772814 4774032 - 
    1 4772814 4774159 - 
    1 4772814 4775654 - 
    1 4772814 4774032 + 
    1 4774186 4775654 - 
    1 4774186 4775654 
    1 4774186 4775699 -

想要的输出

chrom, start, end,strand, gene_id, gene_name 
1  4427432 4432686 + ENSMUSG0001 abcd

另一个问题是，在某些情况下，如果有匹配它可以映射到在这种情况下，gene_id我还想写

chrom, start, end,strand, gene_id, gene_name 
1  4427432 4432686 + ENSMUSG0001,ENSMUSG0002 abcd,efgh

我迄今为止代码：

import csv 

with open('coordinates.txt', 'r') as source: 
     coordinates = list(csv.reader(source, delimiter="\t")) 

with open('/gene_annotations.txt', 'rU') as source: 
     #if i do not use 'rU' i get this error Error: new-line character seen in unquoted field - do you need to open the file in universal-newline mode? 
     annotations = list(csv.reader(source, delimiter="\t")) 

for index,line in enumerate(coordinates): 

    for index2, line2 in enumerate(annotations): 


     if coordinates[line][0] == annotations[line2][0] and coordinates[line][1] <= annotations[line2][1] and annotations[line2][2] >= coordinates[line][2] : 
     print "%s\t%s\t%s\t%s\t%s" % (coordinates[line][0],coordinates[line][1],coordinates[line][2], annotations[line2][3], annotations[line2][4]) 
     break

错误我得到

---> 15   if coordinates[line][0] == annotations[line2][0] and coordinates[line][1] <= annotations[line2][1] and annotations[line2][2] >= coordinates[line][2] : 
16    print "%s\t%s\t%s\t%s\t%s" % (coordinates[line][0],coordinates[line][1],coordinates[line][2], annotations[line2][3], annotations[line2][4]) 
17    break 

TypeError: list indices must be integers, not list

大熊猫会是一个很好的方法吗？

答

我假设坐标是列表的列表，如[[1,2]，[3,4]]。线

for index,line in enumerate(coordinates):

迭代坐标，返回坐标线的各条线和索引为索引。

if coordinates[line][0] == annotations[line2][0] and coordinates[line][1] <= annotations[line2][1] and annotations[line2][2] >= coordinates[line][2] :

错误消息表示您在此处使用列表（行）作为索引。你可能想改用线的指标：

if coordinates[index][0] == annotations[index2][0] and coordinates[index][1] <= annotations[index2][1] and annotations[index2][2] >= coordinates[index][2] :

更妙的是只使用线：

if line[0] == line2[0] and line[1] <= line2[1] and line2[2] >= line[2] :

看到https://docs.python.org/2.7/reference/compound_stmts.html?highlight=for_stmt#grammar-token-for_stmt

使用熊猫或枚举查找两个数据集之间的重叠/范围

相关推荐