生信编程直播课程优秀学员作业展示1

题目 人类基因组外显子区域长度

学员:x2yline

具体题目详情请参考生信技能树论坛

题目数据来源为:ftp://ftp.ncbi.nlm.nih.gov/pub/CCDS/current_human/CCDS.current.txt

解题思路(比较适合R语言)如下

R语言实现

第一次完成的代码是未考虑外显子overlap情况(只去重了完全相同的外显子)写的

运行计算时间:14.74084 secs

最后运行结果:36048075

第一版代码如下:

setwd('E:\\r\\biotrainee_demo\\class1')#修改工作路径t1 <- Sys.time()#把程序运行之前的时间赋值给t1directory = 'CCDS.current.txt'#把文件名赋值给directorydata <- read.table(directory, sep='\t',                   stringsAsFactors=F, header=T)[c(1,10)]#读取数据并提取出第一和第十列get_gene <-function(data_item){  # 该函数用于apply执行  # 输入的数据为仅含原始数据第1列和第10列的dataframe  # 用apply函数执行后输出的数据为每个基因外显子的坐标,  # 一个基因的所有外显子以逗号分隔组成一个string,所有基因的string组成一个vector  # 用apply函数执行后,最后格式为c('111-112, 115-135, 125-138', '254-258',...)  if (!data_item[2] =='-'){    exon_ranges <- data_item[2]    exon_ranges <- substr(exon_ranges, start=2, stop=nchar(exon_ranges)-1)# 去除首尾的中括号符号  }}get_exon <- function(gene){  # 输入的数据为c('111-112, 115-135', '125-138', '254-258,...')  # 把i号染色体上的所有外显子后在一起,并去除完全相同的外显子  # 输出的数据为c('111-112','115-135', '125-138', '254-258', ...)  exon <- unique(strsplit(gene,", ")[[1]])}get_length <- function(exon){  # 输入的数据为lapply(c('111-112','115-135', '125-138', '254-258', ...),fun)  # 输出结果为左右两坐标之差+1即外显子的长度  loc <- strsplit(exon,"-")[[1]]  a <- as.numeric(loc[2])-as.numeric(loc[1]) +1 #每个外显子的碱基数目  a}exon_length = 0exon_length_items = NULLfor (i in unique(data[,1])){  gene_i <- paste(apply(data[which(data[1]==i & data[2] != '-'),], 1, get_gene),collapse=', ')  exon_i <-  get_exon(gene_i)  exon_i_length <- sapply(exon_i, get_length)  exon_length <- exon_length + sum(exon_i_length)  exon_length_items <- c(exon_i_length, exon_length_items)  names(exon_length_items)[1:length(exon_i_length)] <- i}hist(exon_length_items,xlim=c(0,500),breaks = 20000,      main='Distribution of exon length', xlab='exon length')difftime(Sys.time(), t1, units = 'secs')# 计算执行完成后时间与t1的间隔print(paste('all exons length is',exon_length))

第二版代码如下

setwd('E:\\r\\biotrainee_demo1')t1 <- Sys.time()directory = 'CCDS.current.txt'# 读取数据并提取第1列和第10列data <- read.table(directory, sep='\t',                   stringsAsFactors=F, header=T)[c(1,10)]get_gene <-function(data_item){  # 用apply执行该函数  # 输入的数据为仅含原始数据第1列和第10列的dataframe  # 输出的数据为c('111-112, 115-135, 125-138', '254-258',...)  if (!data_item[2] =='-'){    exon_ranges <- data_item[2]    exon_ranges <- substr(exon_ranges, start=2, stop=nchar(exon_ranges)-1)  }}get_exon <- function(gene){  # 输入的数据为c('111-112, 115-135, 125-138, 254-258,...')  # 输出的数据为c('111-112','115-135', '125-138', '254-258', ...)  exon <- unique(strsplit(gene,", ")[[1]])# 注:strsplit的输出结果为列表}get_length <- function(exon){  # 输入的数据为lapply(c('111-112','115-135', '125-138', '254-258', ...),fun)  # 输出结果为两坐标值和左右两坐标之差  loc <- strsplit(exon,"-")[[1]]  a <- c(as.numeric(loc[1]), as.numeric(loc[2])-as.numeric(loc[1]), as.numeric(loc[2]))  #if (a==0){  #print(loc)  #}  a}exon_length = NULLfor (i in unique(data[,1])){  # paste 函数把i号染色体的所有外显子的坐标合并为一个character对象  # gene_i的格式为'111-112, 115-135, 125-138, 254-258,...'  gene_i <- paste(apply(data[which(data[1]==i & data[2] != '-'),], 1, get_gene),collapse=', ')  # exon_i的格式为c('111-112','115-135', '125-138', '254-258', ...)  exon_i <-  lapply(get_exon(gene_i), get_length)  mat <- matrix(unlist(exon_i), ncol=3, byrow = T)  #mat <- mat[order(mat[,2], decreasing = F),]  #mat <- mat[order(mat[,1], decreasing = F),]  # 使用matrix 是因为vector太长会报错  #R memory management / cannot allocate vector of size n MB  base_loc <- matrix(unique(unlist(apply(mat, 1, function(x) c(x[1]:x[3])))))  exon_length <- c(exon_length , dim(base_loc)[1] * dim(base_loc)[2])}# 耗时长度difftime(Sys.time(), t1, units = 'secs')chrs <- unique(data[,1])barplot(exon_length,names.arg=chrs,xlab='Chromosomes',ylab='length of exons')print(paste('all exons length is',sum(exon_length)))

python实现

  • jupyter编辑器太强大了,非常好用,但是没有查看当前变量的功能,所以最终还是选择spyder作为python编写平台(有shift+enter键相当于Rstudiod的ctr+r键,也有查看当前已有变量数值的功能)
  • 关于open(file, 'rt')的解释

w,r,wt,rt都是python里面文件操作的模式。w是写模式,r是读模式。

t是windows平台特有的所谓text mode(文本模式),区别在于会自动识别windows平台的换行符。

类Unix平台的换行符是\n,而windows平台用的是\r\n两个ASCII字符来表示换行,python内部采用的是\n来表示换行符。

rt模式下,python在读取文本时会自动把\r\n转换成\n. wt模式下,Python写文件时会用\r\n来表示换行。

python代码实现(第一次写的与老师的代码大致相同,用for循环即可,不推荐用以下的方法做)

import pandas as pdimport numpy as npfile = r'E:\r\biotrainee_demo1\CCDS.current.txt'def calculate_exon(file):  data = pd.read_csv(file, sep='\t',\    usecols=[0,9])#data.loc[1:10,:]#  data[0:3]#  data.iloc[1:3]#  data.iloc[3]  all_length = 0  for i in data.iloc[:,0].unique():    # get the data of chrosome i    # iloc[row_vector,col_vect]    # iloc[row_vector]    data_i = data.loc[data.iloc[:,0] == i]    type(data_i)    type(data_i.iloc[:,1])    # remove the '[]' in column2    data_j = data_i.iloc[:,1].apply(lambda x: x[1:-1])    data_p = data_j.apply(lambda x: x.split(', '))    data_g = data_p.apply(lambda x: pd.Series(x))    # 把nan填充为 0-0    data_f = np.array(data_g.fillna('0-0'))    # 去除重复的外显子    data_f = np.unique(data_f.reshape((data_f.shape[0]*data_f.shape[1], 1)))    data_f = pd.DataFrame(data_f)    data_m = data_f.apply(lambda x: \      x.apply(lambda y: (y.split('-')[0])))    data_n = data_f.apply(lambda x: \      x.apply(lambda y: (y.split('-')[-1])))    # pd.to_numeric can only apply to a 1-d array    data_mi = data_m.apply(lambda x: pd.to_numeric(x, downcast='float'))    data_ni = data_n.apply(lambda x: pd.to_numeric(x, downcast='float'))    all_length += (data_ni - data_mi).sum().sum()  return(all_length)length = calculate_exon(file)print(length) 

运算速度有点慢,因为是临时学的pandas和numpy,很多步骤还没有优化

未去重overlap结果为:36046283

编程感悟

由于开始R是没有基础的,用通过R包swirl学习了一下lapply,apply和sapply函数的使用,对于迭代数目比较多的循环来说,R语言的for循环效率远远不如apply系列函数,应该尽量避免for循环处理,而python的for循环运算速度较快,可以使用for循环处理一下比较大的数据。

本文编辑:思考问题的熊

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2017-03-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏一个会写诗的程序员的博客

《Kotin 极简教程》第8章 函数式编程(FP)(1)第8章 函数式编程(FP)《Kotlin极简教程》正式上架:

"函数式编程", 又称泛函编程, 是一种"编程范式"(programming paradigm),也就是如何编写程序的方法论。它的基础是 λ 演算(lambda...

722
来自专栏数据的力量

VLookup函数的反向查找

1546
来自专栏醒者呆

算法精解:DAG有向无环图

DAG是公认的下一代区块链的标志。本文从算法基础去研究分析DAG算法,以及它是如何运用到区块链中,解决了当前区块链的哪些问题。 关键字:DAG,有向无环...

3335
来自专栏aCloudDeveloper

string 之 strchr函数 和 strstr函数(BF算法和KMP算法的应用)

Author: bakari  Date: 2012/8/9 继上篇。。。。。 下面是我写的代码与源码作的一些比较,均已严格测试通过,分别以“string 之”...

2159
来自专栏C/C++基础

统计无符号整数二进制中1的个数(Hamming weight)

之所以来记录这个问题的解法,是因为在在线编程中经常遇到,比如编程之美和京东的校招笔试以及很多其他公司都累此不疲的出这个考题。看似简单的问题,背后却隐藏着很多精妙...

982
来自专栏海天一树

NOIP 2013初赛普及组C/C++答案详解

试题和答案: https://wenku.baidu.com/view/aa2bc10b5022aaea988f0f77.html?re=view

654
来自专栏生信技能树

(11)仿写bowtie-生信菜鸟团博客2周年精选文章集

然后仿写了bowtie,对我的编程技术提高非常有帮助。目录如下: 自己动手写bowtie第一讲:BWT算法详解并建立索引 自己动手写bowtie第二讲:优化索引...

2986
来自专栏Leetcode名企之路

【Leetcode】60. 第k个排列

给定 n 的范围是 [1, 9]。 给定 k 的范围是[1, n!]。 示例 1:

792
来自专栏青枫的专栏

Mealy和moore型状态机的主要区别

状态机一般分为三种类型:   1、Moore型状态机:下一状态只由当前状态决定,即次态=f(现状,输入),输出=f(现状);   2、Mealy 型状态机:下一...

741
来自专栏Java帮帮-微信公众号-技术文章全总结

十道海量数据处理面试题与十个方法总结 【面试+提高】

十道海量数据处理面试题与十个方法总结 一、十道海量数据处理面试题 1、海量日志数据,提取出某日访问百度次数最多的那个IP。   此题,在我之前的一篇文章算法里头...

4318

扫码关注云+社区