使用来自不同文件的值打印散列

Question

我想创建具有来自文件 1 和文件 2 的值的输出文件。

文件 1 中的行：

chr1 袖扣外显子 708356 708487 1000 - .
基因ID“CUFF.3”；成绩单ID“CUFF.3.1”；外显子编号“5”； FPKM “3.1300591420”； frac "1.000000"; conf_lo "2.502470"; conf_hi “3.757648”；科夫“7.589085”； chr1袖扣外显子 708356 708487 。 - 。基因ID“XLOC_001284”；成绩单_id “TCNS_00007667”；外显子编号“7”；基因名称“LOC100288069”； oId “袖带.15.2”；最近的_ref "NR_033908";类代码“j”； tss_id "TSS2981";

文件 2 中的行：

袖带.48557
chr4:160253850-160259462:160259621-160260265:160260507-160262715

此文件的第二列是唯一 id (uniq_id)。

我想得到以下格式的输出文件： transcript_id(CUFF_id) uniq_id gene_id(XLOC_ID) FPKM

我的脚本从第一个文件中获取 XLOC_ID 和 FPKM 值，并将它们与第二个文件中的两列一起打印。

#!/usr/bin/perl -w

use strict;

my $v_merge_gtf = shift @ARGV or die $!;
my $unique_gtf = shift @ARGV or die $!;

my %fpkm_hash;
my %xloc_hash;

open (FILE, "$v_merge_gtf") or die $!;
while (<FILE>) {
    my $line = $_;
    chomp $line;
    if ($line =~ /[a-z]/) {
        my @array = split("\t", $line);
        if ($array[2] eq 'exon') {
            my $id = $array[8];
            if ($id =~ /transcript_id \"(CUFF\S+)/) {
                $id = $1;
                $id =~ s/\"//g;
                $id =~ s/;//;
            }

            my $fpkm = $array[8];
            if ($fpkm =~ /FPKM \"(\S+)/) {
                $fpkm = $1;
                $fpkm =~ s/\"//g;
                $fpkm =~ s/;//;
            }

            my $xloc = $array[17];
            if ($xloc =~ /gene_id \"(XLOC\S+)/) {
                $xloc = $1;
                $xloc =~ s/\"//g;
                $xloc =~ s/;//;
            }
            $fpkm_hash{$id} = $fpkm;
            $xloc_hash{$id} = $xloc;
        }
    }
}

close FILE;


open (FILE, "$unique_gtf") or die $!;
while (<FILE>) {
    my $line = $_;
    chomp $line;
    if ($line =~ /[a-z]/) {
        my @array = split("\t", $line);
        my $id = $array[0];
        my $uniq = $array[1];
        print $id . "\t" . $uniq . "\t" . $xloc_hash{$id} . "\t" . $fpkm_hash{$id} . "\n";
    }
}

close FILE;

我在文件之外初始化了哈希值，但是对于每个 CUFF 值，我得到以下错误：

袖带.24093
chr17:3533641-3539345:3527526-3533498:3526786-3527341:3524707-3526632

在连接 (.) 或 ex_1.pl 处的字符串中使用未初始化的值 第 55 行，第 9343 行。

在连接 (.) 或 ex_1.pl 处的字符串中使用未初始化的值 第 55 行，第 9343 行。

我该如何解决这个问题？

谢谢！

Answer 1

我认为警告消息是因为 $id 键 (CUFF.24093)，您在第二个文件的行 9343 中不包含您在第一个文件中创建的哈希值。

是否有可能第二个文件中的 ID 不包含在第一个文件中？这里似乎是这样。

如果是这样，并且您只想跳过这个未知 ID，您可以在您的程序中添加一行，例如：

my $id = $array[0];
my $uniq = $array[1];

next unless exists $fpkm_hash{$id}; # add this line

print $id . "\t" . $uniq . "\t" . $xloc_hash{$id} . "\t" . $fpkm_hash{$id} . "\n";

这将绕过下面的print 语句并返回到while 循环的顶部并读入下一行并继续处理。

这取决于您遇到未知 ID 时要采取的措施。

更新：我想我可能会对您的代码进行一些观察/改进。

my $v_merge_gtf = shift @ARGV or die $!;
my $unique_gtf = shift @ARGV or die $!;

错误变量$! 在这里没有用处（这是我最近才发现的事实，即使是在使用 Perl 14 年后）。 $! 仅用于系统调用（涉及操作系统）。最常见的是 open 和 close 用于文件，opendir 和 closedir 用于目录。如果在打开/关闭文件或目录时发生错误，$! 将包含错误消息。 （在我包含的代码中查看我是如何处理这个问题的 - 我创建了一条消息，$usage，如果 shift 没有成功，则打印出来。

我没有使用 2 个哈希值来存储信息，而是使用了 1 个哈希值%data。优点是它会使用更少的内存（因为它只存储 1 组键而不是 2 组），不过，如果您愿意，也可以使用 2 组。

我使用推荐的 3 参数 (filehandle, mode, filename) 形式打开文件。您使用的 2 参数方法已过时且不太安全（出于此处不详述的原因）。此外，我使用的词法文件句柄my $mrg 和my $unique 是创建文件句柄的新方法（而不是使用FILE 进行两次打开）。

您可以像while (my $line = <FILE>) 一样在您的while 循环中直接分配给$line，而不是按照您的方式分配。在我的示例程序中，我没有分配给$line，而是依赖于默认变量$_。 （它简化了以下两个语句，next unless /\S/; my @array = split /\t/;）。对于第一个文件，我没有 chomp，因为您只在字符串内部进行解析，并且没有使用字符串末尾的任何内容。chomp 对于第二个 while 循环是必需的，因为第二个变量 @如果 chomp 没有将其删除，则 987654348@ 的末尾会有一个换行符。

我不知道你的这句话是什么意思，if ($line =~ /[a-z]/)。我假设您想检查空行并且只处理具有非空间数据的行。这就是我写next unless /\S/;的原因。 （说跳过以下语句并到达 while 循环的顶部并读取下一条记录）。

您的第一个 while 循环有效，因为您的输入文件中没有错误。如果有错误，那么您编写代码的方式可能有问题。

语句my $id = $array[8]; 为$id 提供了一个值，如果以下if 语句为假，则该值将被错误使用。 （对于您要捕获的其他 2 个变量，$fpkm 和 $xloc 也是如此）。您可以在我的代码示例中看到我是如何处理这个问题的。

在我的代码中，如果匹配不成功，我就死了，你可能不想die，而是说match or next 来尝试下一行数据。这取决于您希望如何处理失败的匹配。

在这一行$array[8] =~ /gene_id "(CUFF\S+)";/，注意我把";放在捕获的数据后面，所以不需要从捕获的数据中删除它（就像你在替换中所做的那样）

好吧，我知道这是对您的代码的长评论，但我希望您对我为什么推荐给定的更改有一些好的想法。

or die "Could not find ID in $v_merge_gtf (line# $.)";

$. 是正在读取的文件的行号。

#!/usr/bin/perl
use warnings;
use strict;

my $usage = "USAGE: perl $0 merge_gtf_file unique_gtf_file\n";

my $v_merge_gtf = shift @ARGV or die $usage;
my $unique_gtf = shift @ARGV or die $usage;

my %data;

open my $mrg, '<', $v_merge_gtf or die $!;

while (<$mrg>) {
    next unless /\S/;
    my @array = split /\t/;
    if ($array[2] eq 'exon') {

        $array[8] =~ /gene_id "(CUFF\S+)";/
            or die "Could not find ID in $v_merge_gtf (line# $.)";
        my $id = $1;

        $array[8] =~ /FPKM "(\S+)";/
            or die "Could not find FPKM in $v_merge_gtf (line# $.)";
        my $fpkm = $1;

        $array[17] =~ /gene_id "(XLOC\S+)";/
            or die "Could not find XLOC in $v_merge_gtf (line# $.)";
        my $xloc = $1;

        $data{$id}{fpkm} = $fpkm;
        $data{$id}{xloc} = $xloc;
    }
}
close $mrg or die $!;


open my $unique, '<', $unique_gtf or die $!;
while (<$unique>) {
    next unless /\S/;
    chomp;
    my ($id, $uniq) = split /\t/;
    print join("\t", $id, $uniq, $data{$id}{fpkm}, $data{$id}{xloc}), "\n";
}

close $unique or die $!;