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Java技术栈

进阶 | Java生成随机数的几种高级用法!

1773
来自专栏用户画像

3.2 组帧

数据链路层之所以要把比特组合成帧为单位传输,是为了在出错时只重发出错的帧,而不必重发全部数据,从而提高了效率。为了使接收方能正确地接受并检查所传输的帧,发送方必...

641
来自专栏数据结构与算法

带修改莫队算法

update in 2017.12.24: 以前写的≈shit,实在看不下去了,重写一遍 pre 很早之前就学习了莫队算法。 老师讲课的时候就提到过带修改莫...

3067
来自专栏CDA数据分析师

数据分析师(技术编程类)常见的10道面试题解答

1、海量日志数据,提取出某日访问百度次数最多的那个IP。   首先是这一天,并且是访问百度的日志中的IP取出来,逐个写入到一个大文件中。注意到IP是32位的,最...

2428
来自专栏从流域到海域

《Java程序设计基础》 第4章手记

《Java程序设计基础》 第4章手记 本章主要内容 - 语句和复合语句 - 分支结构 - 循环结构 - 跳转语句 这四部...

1968
来自专栏大数据挖掘DT机器学习

【面试】数据分析师常见的10道面试题解答

1、海量日志数据,提取出某日访问百度次数最多的那个IP   首先是这一天,并且是访问百度的日志中的IP取出来,逐个写入到一个大文件中。注意到IP是32位的,最...

6206
来自专栏令仔很忙

UML之包图

   当对一个比较复杂的软件系统进行建模时,会有大量的类、接口、组件、节点和图需要处理;如果放在同一个地方的话,信息量非常的大,显得很乱,不方便查询,所以就对这...

7261
来自专栏数据结构与算法

1788:Pell数列

1788:Pell数列 查看 提交 统计 提问 总时间限制: 3000ms 内存限制: 65536kB描述Pell数列a1, a2, a3, ...的定义是这样...

2417
来自专栏大数据挖掘DT机器学习

十道海量数据处理面试题

作者:July、youwang、yanxionglu。 原文:http://blog.csdn.net/v_JULY_v 1、海量日志数据,提取出某日访问百度...

3879
来自专栏听雨堂

Python学习笔记(1):列表元组结构

Python的列表元组功能强大,令人印象深刻。一是非常灵活,二是便于集体操作。特别是以元组作为列表项的结构,和数据访问的结果能够对应起来,和习惯的二维表理解上也...

2066

扫码关注云+社区