将行转换为列

Question

我有一个文件，格式如下所示，我想将其转换为两列格式。

>00000_x1688514
TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968
TGCTTGGACTACATATTGTTGAGGGTTGTA
...

期望输出结果为：

>00000_x1688514 TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968 TGCTTGGACTACATATTGTTGAGGGTTGTA
...

我很感激您的帮助。谢谢。

- Supertech

---

什么问题？只需读取文件并为每两行输出1行。 - Chip

是我还是示例输入与期望输出相同？ - Jon Clements

@JonClements -- 我认为>字符实际上在文件中。它们并不是实际标记行的开头。 - mgilson

@mgilson 你是对的，> 字符表示特定条目的标题行的开头。对我来说，它看起来像是 FASTA 文件格式。但我只是一个化学家，不太懂这个 ;) - Klaus-Dieter Warzecha

Answer 1

我不知道你是否了解BioPerl模块，可以用于读写和其他基因功能。你的问题可以这样描述。

#!/usr/bin/perl
use strict;
use warnings;
use Bio::SeqIO;

my $file = 'o33.txt';
my $in  = Bio::SeqIO->new( -file   =>  $file,
                           -format => 'fasta');

while ( my $seq = $in->next_seq() ) {
    print $seq->id, "\t", $seq->seq, "\n";
}

__END__
00000_x1688514  TGCTTGGACTACATATGGTTGAGGGTTGTA
00001_x238968   TGCTTGGACTACATATTGTTGAGGGTTGTA

- Chris Charley

Answer 2

在Python中：

fd = open('filepath')
cols = izip(fd, fd)
with open('output_filepath') as outfile:
    for col in cols:
        outfile.write('\t'.join(col).replace('\n', '') +'\n')

期望的输出应该在 output_filepath 中。

- inspectorG4dget

---

这是一个非常聪明的izip使用方法（我从未想过用生成器与自身“压缩”以将其分成块）。 - mgilson

@mgilson：我希望这是我自己想出来的。我最初是在另一个SO帖子中读到的，但不幸的是我现在无法找到它。但当我读到它时，我的确有同样的感觉。 - inspectorG4dget

只是一点小问题：''.join(col).replace('\n', '\t') 可能更好的写法是：'\t'.join(col).replace('\n', '')。我认为这样更清晰，而且不会在行末添加额外的制表符。 - mgilson

Answer 3

另一个 Perl 选项是将记录分隔符设置为“>”，一次读取两行，然后将换行符替换为制表符：

use Modern::Perl;

local $/ = '>';
do { s/\n/\t/; print }
  for <DATA>;

__DATA__
>00000_x1688514
TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968
TGCTTGGACTACATATTGTTGAGGGTTGTA

输出：

>00000_x1688514 TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968  TGCTTGGACTACATATTGTTGAGGGTTGTA

对于文件：

use Modern::Perl;
use autodie;

open my $inFile,  '<', 'inFile.txt';
open my $outFile, '>', 'outFile.txt';

local $/ = '>';
do { s/\n/\t/; print $outFile $_ }
  for <$inFile>;

close $inFile;
close $outFile;

希望这能帮助您！

- Kenosis

Answer 4

一种方法：

perl -i -pe 's/\n/ / unless m/^[ACGT]+$/' FILENAME

这将对文件FILENAME进行原地编辑，在每一行中用空格替换不是A、C、G和T字符串的换行符。

- ruakh

---

perl -i -pe ...。在这里，你需要使用p开关而不是n开关。 - Chris Charley

Answer 5

使用 awk：

awk '{ printf "%s", $0 (substr( $0, 1, 1 ) == ">" ? " " : ORS) }' infile

输出：

>00000_x1688514 TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968 TGCTTGGACTACATATTGTTGAGGGTTGTA

- Birei

Answer 6

在 Ruby 中我会使用类似这样的东西：

File.readlines('test.txt').map(&:strip).each_slice(2) do |row|
  puts row.join(' ')
end

输出结果为：

>00000_x1688514 TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968 TGCTTGGACTACATATTGTTGAGGGTTGTA

- the Tin Man

Answer 7

一个更整洁的Python解决方案：

from itertools import izip

with open('test.txt') as inf, open('newtest.txt', 'w') as outf:
    for head,body in izip(inf, inf):
        outf.write(head.rstrip() + ' ' + body)

- Hugh Bothwell

Answer 8

假设输入是真正的FASTA格式，您可以使用awk和getline函数：

awk '/^>/ { printf "%s ", $0; getline; print }' file.txt

输出：

>00000_x1688514 TGCTTGGACTACATATGGTTGAGGGTTGTA
>00001_x238968 TGCTTGGACTACATATTGTTGAGGGTTGTA

HTH

- Steve