在 Snakemake 中丢弃部分文件名：“输入文件中的通配符无法从输出文件中确定”

Question

我遇到了 Snakemake 的WildcardError: Wildcards in input files cannot be determined from output files 问题。问题是我不想保留输入文件名的可变部分。例如，假设我有这些文件。

$ mkdir input
$ touch input/a-foo.txt
$ touch input/b-wsdfg.txt
$ touch input/c-3523.txt

我有一个像这样的 Snakemake 文件：

subjects = ['a', 'b', 'c']

result_pattern = "output/{kind}.txt"

rule all:
    input:
        expand(result_pattern, kind=subjects)

rule step1:
    input:
        "input/{kind}-{fluff}.txt"
    output:
        "output/{kind}.txt"
    shell:
        """
        cp {input} {output}
        """

我希望输出文件名只有我感兴趣的部分。我理解输入中的每个通配符都需要输出中对应的通配符的原理。那么我正在尝试做一种反模式吗？例如，我想可能有两个文件input/a-foo.txt 和input/a-bar.txt，它们会相互覆盖。我应该在输入蛇形之前重命名我的输入文件吗？

Answer 1

我希望输出文件名只包含我感兴趣的部分 [...]。我想可能有两个文件 input/a-foo.txt 和 input/a-bar.txt，它们会相互覆盖。

在我看来，您需要决定如何解决此类冲突。如果输入文件是：

input/a-bar.txt
input/a-foo.txt    <- Note duplicate {a}
input/b-wsdfg.txt
input/c-3523.txt

您希望如何命名输出文件以及根据什么标准？答案与snakemake 无关，但根据您的情况，您可以在 Snakefile 中包含 python 代码来自动处理此类冲突。

基本上，一旦您做出此类决定，您就可以着手解决问题。

---

但是假设没有文件名冲突，通配符系统似乎无法处理您想从文件名中删除一些变量绒毛的情况

可变部分可以使用python的glob模式处理：

import glob
...
rule step1:
    input:
        glob.glob("input/{kind}-*.txt")
    output:
        "output/{kind}.txt"
    shell:
        """
        cp {input} {output}
        """

您甚至可以更详细地使用专用函数来匹配给定{kind} 通配符的文件：

def get_kind_files(wc):
    ff = glob.glob("input/%s-*.txt" % wc.kind)
    if len(ff) != 1:
        raise Exception('Exepected exactly 1 file for kind "%s"' % wc.kind)
    # Possibly more checks tha you got the right file
    return ff

rule step1:
    input:
        get_kind_files,
    output:
        "output/{kind}.txt"
    shell:
        """
        cp {input} {output}
        """