perl统计替换

xingzhou823

test.zip (5.03 KB, 下载次数: 7)

2013-03-15 11:11 上传

点击文件名下载附件
原始文件

文件1.txt
Entrez_Gene_Id        Tumor_Sample_Barcode
182        TCGA-02-0043-01A-01W
220        TCGA-02-0089-01A-01W
220        TCGA-02-0028-01A-01W
286        TCGA-02-0083-01A-01W
286        TCGA-02-0028-01A-01W
287        TCGA-02-0015-01A-01W-0318-08
287        TCGA-08-0354-01A-01W-0318-08
287        TCGA-02-0064-01A-01W-0206-08
301        TCGA-02-0028-01A-01W
310        TCGA-02-0083-01A-01W-0206-08
324        TCGA-02-0015-01A-01W-0318-08
472        TCGA-02-0010-01A-01W-0189-08
472        TCGA-02-0114-01A-01W-0206-08
473        TCGA-02-0114-01A-01W
477        TCGA-02-0083-01A-01W
529        TCGA-02-0083-01A-01W-0206-08
——————————————————————————————————

文件2.txt

Term         Genes
hsa05200athways in cancer        1436, 6469, 5579, 6772, 1956, 5578, 2033, 862, 3082, 1029, 2335, 867, 7472, 3320, 2956, 7048, 4233, 5159, 5601, 2064, 5728, 675, 2735, 5156, 1441, 3815, 324, 2322, 4193, 5925, 2737, 5727, 7157, 2260, 5290, 4089, 5294, 5295, 999
hsa04510:Focal adhesion        5579, 1956, 5578, 3082, 2335, 1289, 4233, 5159, 5601, 57144, 2064, 1281, 5728, 5156, 3371, 2321, 85366, 9564, 3791, 5170, 3690, 1301, 3611, 1793, 5290, 1277, 2909, 5294, 5295, 7057
hsa05218:Melanoma        5728, 5156, 1956, 3082, 1029, 4193, 5925, 7157, 2260, 5290, 5294, 5295, 4233, 5159, 999
hsa05213:Endometrial cancer        5290, 2064, 5728, 1956, 2309, 5170, 324, 3611, 5294, 5295, 7157, 999
hsa05214:Glioma        5728, 5579, 5156, 1956, 5578, 1029, 4193, 5925, 7157, 5290, 5294, 5295, 5159
hsa05215rostate cancer        5728, 2064, 5156, 1956, 2033, 5170, 4193, 5925, 7157, 2260, 5290, 3320, 5294, 5295, 5159
hsa05223:Non-small cell lung cancer        5290, 2064, 5579, 5578, 1956, 2309, 1029, 5170, 5925, 5294, 5295, 7157
hsa05212ancreatic cancer        5601, 2064, 675, 6772, 1956, 1029, 5925, 7157, 5290, 4089, 7048, 5294, 5295
hsa05210:Colorectal cancer        5601, 5156, 1956, 324, 7157, 5290, 4089, 2956, 7048, 5294, 5295, 4233, 5159
hsa04070hosphatidylinositol signaling system        5290, 5728, 5579, 5578, 3710, 79837, 5287, 8527, 5288, 5294, 5286, 5295
————————————————————————————————————————————————————————————————————

目的：
Term        Genes
hsa05200athways in cancer        TCGA-02-0084-01A-01W TCGA-08-0390-01A-01W TCGA-06-0185-01A-01W-0254-08 TCGA-06-0185-01A-01W TCGA-02-0010-01A-01W-0189-08 TCGA-02-0083-01A-01W-0206-08 TCGA-02-0028-01A-01W TCGA-02-0083-01A-01W-0206-08 TCGA-08-0390-01A-01W TCGA-02-0114-01A-01W TCGA-02-0114-01A-01W-0206-08 TCGA-02-0083-01A-01W-0206-08 TCGA-02-0099-01A-01W TCGA-02-0083-01A-01W TCGA-02-0043-01A-01W TCGA-02-0014-01A-01W-0189-08 TCGA-02-0010-01A-01W TCGA-02-0083-01A-01W TCGA-02-0014-01A-01W-0189-08 TCGA-02-0113-01A-01W TCGA-06-0213-01A-01W-0254-08 TCGA-02-0014-01A-01W-0189-08 TCGA-06-0133-01A-02W-0224-08 TCGA-08-0347-01A-01W-0318-08 TCGA-02-0014-01A-01W-0189-08 TCGA-02-0083-01A-01W-0206-08 TCGA-02-0015-01A-01W-0318-08 TCGA-06-0125-01A-01W TCGA-02-0085-01A-01W-0206-08 TCGA-06-0206-01A-01W-0254-08 TCGA-02-0083-01A-01W TCGA-06-0125-01A-01W TCGA-06-0188-01A-01W TCGA-08-0245-01A-01W-0318-08 TCGA-06-0201-01A-01W TCGA-02-0028-01A-01W-0189-08 TCGA-02-0114-01A-01W TCGA-02-0048-01A-01W TCGA-06-0210-01A-01W
hsa05218:Melanoma        TCGA-06-0213-01A-01W-0254-08 TCGA-08-0347-01A-01W-0318-08 TCGA-02-0010-01A-01W-0189-08 TCGA-08-0390-01A-01W TCGA-02-0114-01A-01W TCGA-02-0085-01A-01W-0206-08 TCGA-06-0206-01A-01W-0254-08 TCGA-06-0188-01A-01W TCGA-08-0245-01A-01W-0318-08 TCGA-06-0201-01A-01W TCGA-02-0114-01A-01W TCGA-02-0048-01A-01W TCGA-02-0010-01A-01W TCGA-02-0083-01A-01W TCGA-06-0210-01A-01W                                  


我写的代码如下

1. #!usr/bin/perl
   
2. use strict;
   
3. use warnings;
   
4. 
   
5. 
   
6. open (IN1, $ARGV[0]) or die $!;
   
7. open (IN2, $ARGV[1]) or die $!;
   
8. open (OUT, ">$ARGV[2]") or die $!;
   
9. 
   
10. my %h;
    
11. while(<IN1>){
    
12.         chomp;
    
13.         my @m=split(/\t/,$_);
    
14.         $h{$m[0]}=$m[1];           
    
15. }                                                     
    
16. while(<IN2>)                                          
    
17. {                                                     
    
18. chomp;                                                
    
19. my @a=split(/\t/,$_);
    
20. my @m=split(", ",$a[1]);
    
21. for (0..$#m){
    
22.         $m[$_]=$h{$m[$_]} if exists($h{$m[$_]});
    
23.         }
    
24.         print OUT "$a[0]\t@m\n";
    
25.         }

复制代码

————————————————————————————————

错误：
1. 文件1.txt中，第一列是有重复的，结果中只有对应的一个。
例如：286        TCGA-02-0083-01A-01W
286        TCGA-02-0028-01A-01W
而结果只是对应了第一个，第二个没有展示。
2. 结果中有重复的
例如：hsa05200athways in cancer中出现了两次：
TCGA-02-0014-01A-01W-0189-08
TCGA-02-0014-01A-01W-0189-08

请教，

这个perl应该怎么写？

xingzhou823

...............................

kk861123

1. #!usr/bin/perl
   
2. use strict;
   
3. use warnings;
   
4. use Data::Dumper;
   
5. 
   
6. open (IN1, $ARGV[0]) or die $!;
   
7. open (IN2, $ARGV[1]) or die $!;
   
8. open (OUT, ">$ARGV[2]") or die $!;
   
9. 
   
10. 
    
11. my %h;
    
12. my $title1 = <IN1>;
    
13. while(<IN1>){
    
14.     chomp;
    
15.     my @m=split(/\t/,$_);
    
16.     #$h{$m[0]}=$m[1];      
    
17.     push @{ $h{$m[0]} }, $m[1];
    
18. }            
    
19. 
    
20. my $title2 = <IN2>;         
    
21. while(<IN2>)                                          
    
22. {                                                     
    
23.     my ($sTerm, $sGenes) = split(/\t/,$_, 2);
    
24.     my @aGenes = split /\s*,\s*/ => $sGenes;
    
25.     my ( @barcode, %hUniq );
    
26.     for my $g (@aGenes) {
    
27.         next unless exists $h{$g};
    
28.         map { push @barcode, $_ } grep { !$hUniq{$_}++ } @{ $h{$g} };
    
29.     }
    
30.     print OUT "$sTerm\t@barcode\n";
    
31.     print "$_ => $hUniq{$_}\n" for @barcode;  # new add 2013.18:15
    
32. }

复制代码

回复 2# xingzhou823


   

xingzhou823

回复 3# kk861123

谢谢，我运行了一下，直接就出结果了。并且没有重复的。

请问，我现在顺便想统计对应样品的个数，能不能在刚才的代码中直接修改，得到？


   

kk861123

回复 4# xingzhou823


    已修正，看3楼代码

xingzhou823

回复 4# xingzhou823

不好意思，代码我看了，是我没说清楚。不是统计原始数据1中的样品数。

我想统计的是得到的结果中，例如：某一行：

hsa05214:Glioma        TCGA-02-0052-01A-01W TCGA-02-0027-01A-01W TCGA-02-0001-01C-01W TCGA-06-0644-01A-02W TCGA-08-0348-01A-01W TCGA-06-0125-01A-01W TCGA-06-0206-01A-01W TCGA-06-0188-01A-01W TCGA-06-0168-01A-01W TCGA-08-0345-01A-01W TCGA-12-0618-01A-01W TCGA-12-0620-01A-01W TCGA-06-0184-01A-01W TCGA-06-0208-01A-01W TCGA-06-0190-01A-01W TCGA-02-0014-01A-01W TCGA-02-0055-01A-01W TCGA-06-0187-01A-01W TCGA-06-0195-01B-01W TCGA-02-0079-01A-01W TCGA-02-0021-01A-01W TCGA-06-0166-01A-01W TCGA-02-0038-01A-01W TCGA-02-0007-01A-01W TCGA-02-0113-01A-01W TCGA-02-0075-01A-01W TCGA-08-0389-01A-01W TCGA-06-0124-01A-01W TCGA-06-0184-01A-01W-0254-08 TCGA-08-0359-01A-01W-0318-08 TCGA-06-0208-01A-01W-0254-08 TCGA-06-0190-01A-01W-0254-08 TCGA-02-0014-01A-01W-0189-08 TCGA-02-0055-01A-01W-0189-08 TCGA-06-0187-01A-01W-0254-08 TCGA-06-0195-01B-01W-0254-08 TCGA-02-0079-01A-01W-0323-08 TCGA-06-0166-01A-01W-0254-08 TCGA-02-0038-01A-01W-0189-08 TCGA-02-0007-01A-01W-0189-08 TCGA-02-0075-01A-01W-0206-08 TCGA-06-0138-01A-01W TCGA-06-0176-01A-02W TCGA-08-0380-01A-01W TCGA-06-0138-01A-01W-0254-08 TCGA-06-0176-01A-02W-0254-08 TCGA-08-0380-01A-01W-0318-08 TCGA-02-0015-01A-01W-0318-08 TCGA-02-0099-01A-01W-0206-08 TCGA-02-0004-01A-01W-0318-08 TCGA-08-0352-01A-01W-0323-08 TCGA-06-0213-01A-01W-0254-08 TCGA-06-0185-01A-01W-0254-08 TCGA-06-0174-01A-01W TCGA-08-0347-01A-01W TCGA-08-0245-01A-01W-0318-08 TCGA-08-0347-01A-01W-0318-08 TCGA-02-0003-01A-01W TCGA-08-0390-01A-01W TCGA-06-0154-01A-02W TCGA-08-0246-01A-01W TCGA-02-0089-01A-01W TCGA-02-0016-01A-01W TCGA-02-0023-01B-01W TCGA-02-0054-01A-01W TCGA-08-0355-01A-01W TCGA-06-0127-01A-01W TCGA-02-0046-01A-01W TCGA-06-0185-01A-01W TCGA-02-0010-01A-01W TCGA-06-0237-01A-02W-0254-08 TCGA-08-0390-01A-01W-0318-08 TCGA-02-0021-01A-01W-0189-08 TCGA-08-0246-01A-01W-0318-08 TCGA-02-0089-01A-01W-0206-08 TCGA-06-0148-01A-01W-0224-08 TCGA-06-0148-01A-03W-0254-08 TCGA-06-0157-01A-01W-0254-08 TCGA-06-0127-01A-01W-0323-08 TCGA-08-0349-01A-01W-0323-08 TCGA-02-0116-01A-01W-0206-08 TCGA-02-0046-01A-01W-0189-08 TCGA-06-0125-01A-01W-0224-08 TCGA-12-0616-01A-01W-0323-08 TCGA-02-0003-01A-01W-0189-08 TCGA-02-0010-01A-01W-0189-08 TCGA-02-0083-01A-01W-0206-08 TCGA-02-0083-01A-01W TCGA-02-0114-01A-01W TCGA-02-0085-01A-01W-0206-08 TCGA-06-0213-01A-01W TCGA-12-0619-01A-01W TCGA-02-0033-01A-01W TCGA-02-0052-01A-01W-0189-08 TCGA-06-0206-01A-01W-0254-08 TCGA-06-0221-01A-01W TCGA-02-0080-01A-01W TCGA-02-0058-01A-01W TCGA-02-0034-01A-01W TCGA-06-0241-01A-02W TCGA-02-0074-01A-01W TCGA-08-0351-01A-01W TCGA-08-0359-01A-01W TCGA-06-0237-01A-02W TCGA-08-0245-01A-01W TCGA-02-0037-01A-01W TCGA-02-0011-01B-01W TCGA-02-0048-01A-01W TCGA-06-0130-01A-01W TCGA-02-0084-01A-01W TCGA-08-0360-01A-01W TCGA-02-0025-01A-01W TCGA-08-0353-01A-01W TCGA-08-0373-01A-01W-0323-08 TCGA-02-0114-01A-01W-0206-08 TCGA-02-0080-01A-01W-0206-08 TCGA-02-0084-01A-01W-0323-08 TCGA-02-0058-01A-01W-0189-08 TCGA-06-0197-01A-02W-0254-08 TCGA-06-0150-01A-01W-0254-08 TCGA-02-0048-01A-01W-0318-08 TCGA-02-0026-01B-01W-0318-08 TCGA-02-0074-01A-01W-0206-08 TCGA-06-0644-01A-02W-0323-08 TCGA-08-0351-01A-01W-0318-08 TCGA-06-0159-01A-01W-0254-08 TCGA-02-0037-01A-01W-0189-08 TCGA-02-0011-01B-01W-0189-08 TCGA-12-0619-01A-01W-0323-08 TCGA-08-0360-01A-01W-0318-08 TCGA-02-0024-01B-01W TCGA-02-0024-01B-01W-0189-08 TCGA-02-0054-01A-01W-0189-08 TCGA-02-0116-01A-01W TCGA-02-0047-01A-01W TCGA-08-0375-01A-01W TCGA-06-0210-01A-01W TCGA-06-0171-01A-02W TCGA-06-0201-01A-01W TCGA-06-0129-01A-01W TCGA-02-0028-01A-01W TCGA-06-0178-01A-01W TCGA-08-0350-01A-01W TCGA-06-0133-01A-02W
——————————————————————————————————————————————————
这一行hsa05214:Glioma中包含的 样品数为144个。



   

rubyish

看了问题。
没有知道问题。{:3_188:}{:3_188:}