博文
基因组学研究的数据分析之五：Perl编程之数据排序
|||
在数据分析中经常会用到排序，使用Perl编程时，一个最简单的排序如下：
@array= sort @array; 该语句等同于：
@array= sort {$a cmp $b} @array;
假定数据储存在数组@array中，该语句表示对@array中元素执行字符串排序，就是按字母表顺序排序。如果希望按字母表顺序的倒序排序，则应该是：
@array= sort {$b cmp $a} @array;
如果希望按数字顺序从小到大排序，则应该是：
@array= sort {$a <=> $b} @array;
以上是一维数据，下面考虑复杂一点的情况，如何对二维数据进行排序。下面一组数据，第一列是GI号，第二列是序列长度，要求进行排序：
GI:389886562 2536
GI:215277009 15009
GI:301173067 138
...................
解决这个问题一个方式就是使用散列一次吃进所有数据，然后根据你的要求进行排序，比如：
my %hash;
open my ($IN), "<", $file or die;
while (<$IN>){
chomp($_);
my ($GI, $len)=split("\t", $_);
$hash{$GI}=$len;
}
close($IN);
foreach my $key(sort (keys %hash) ){
print "$keyt", "$hash{$key}n"; #根据GI号排序
}
foreach my $key(sort {$hash{$a} <=> $hash{b}} (keys %hash) ){
print "$keyt", "$hash{$key}n"; #根据序列长度排序
}
生物学数据分析经常出现比上面更复杂的情况，即如何对多维数据进行排序，假定下面一组数据是你的高通量测序结果，第一列是read counts，第二列是测序获得的序列，第三列是该序列长度，第四列显示该序列可以在多少样本中可以检测到，要求先根据read counts从大到小进行排序，然后根据序列长度排序，最后再根据样本数量排序：
12334 ATGTCGTGACGT 12 5
334 ATGTCGTGACGTATGTCGTGACGT 24 3
194 ATGTCGTGAC 10 8
...................
当然简单的办法就是放到EXCEL中处理，不过实际情况下数据可能有几万条，每一条有好几列信息，可能是字符串或数字，如果每一列信息长度相差很大，加上如果还要求进行其它操作，或者需要数据过滤或数据合并，那EXCEL就力不从心了。就需要Perl编程解决，于是需要把数组和散列结合起来使用，无论多复杂的数据结构都可以一次吃进，然后根据具体情况或排序或分析或输出：
my @array;
open my ($IN), "<", $file or die;
while (<$IN>){
chomp($_);
my ($read_counts, $seq, $len, $sample_num)=split("\t", $_);
my %hash=(read_counts=>$read_counts,
seq=>$seq,
seq_len=>$len,
sample_num=>$sample_num,
);
push(@array, %hash);
}
close($IN);
foreach my $pointer (sort { $b->{read_counts} <=> $a->{read_counts} or $b->{seq_len} <=> $a->{seq_len} or $b->{sample_num} <=> $a->{sample_num} } @array){
print "$pointer->{read_counts}\t", "$pointer->{seq}t", "$pointer->{seq_len}t", "$pointer->{sample_num}n";
}
https://m.sciencenet.cn/blog-753445-644817.html
上一篇：基因组学研究的数据分析之四：数据下载和文件备份
下一篇：基因组学研究的数据分析之六：从fasta文件中提取信息
