|
|
发表于 2022-7-1 16:00:59
|
查看: 854 |
回复: 1
一、结构化数据与非结构化数据
什么是数据？数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号。数据可以是连续的值，也可以是离散的。
通常数据被认为是数字，但现在数据的含义被拓宽了，它不仅指狭义上的数字，还可以是广义上具有一定意义的文字、字母、数字符号的组合、图形、图像、音频、视频等等，是客观事物的属性、数量、位置及其相互关系的抽象表示。
什么是生物数据？生物数据主要是从生物体上获取的数据，包括基因组，转录组以及蛋白质组等数据。根据数据的组成方式可以分为结构化的数据与非结构化的数据。
结构化数据：信息能够用数据或统一的结构加以表示，我们称之为结构化数据，如数字、符号；
非结构化数据：信息无法用数字或统一的结构表示，如文本、图像、声音、网页等，我们称之为非结构化数据。
简单来说，有规则的表格一般都属于结构化数据，在生物信息分析中，基因组数据是非结构化的，需要通过生物软件处理得到结构化的表格。
二、字符串与数值
数据类型主要表示数据代表哪种内容，是字符串还是数值，逻辑值，或者时间日期等。数值可以用于计算，字符串不能用来计算，逻辑值用来判断等。
在生物信息分析，基因组数据主要都是字符串类型，所以，生物信息分析往往也被认为是字符串处理。
三、CSV 文件与 TSV 文件
生物信息中会有大量表格文件产生，例如 gff 文件，gtf 文件，bed 文件，sam 文件，vcf 文件，blast 比对结果，blat 结果，以及很多生物软件产生的结果都是表格格式。表格文件主要分成逗号分割的csv格式和制表符分割的tsv文件。注意制表符分割与空格分割是不同的，要注意区分分隔符，例如 bed 格式文件，如果换成空格分隔符会出现问题。
3.1 csv 文件
逗号分隔值（Comma-Separated Values，CSV，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。纯文本意味着该文件是一个字符序列，不含必须像二进制数字那样被解读的数据。CSV 文件由任意数目的记录组成，记录间以某种换行符分隔；每条记录由字段组成，字段间的分隔符是其它字符或字符串，最常见的是逗号或制表符。通常，所有记录都有完全相同的字段序列。通常都是纯文本文件。
3.2 tsv
TSV：tab separated values；即“制表符分隔值”，制表符分割的文件在生物信息分析中更加常见。tsv 的文件扩展名有多种，可以是 tsv，txt 等。
四、换行符
在文本文件处理过程中，换行是一个非常重要的概念。由于我们常常需要在 Linux 和 windows不同平台之间切换操作，常常就会遇到换行引起的问题，这给文件处理造成很多麻烦，有时候还会出现错误的结果。
顾名思义，换行符就是另起一行，在一样文本结束的时候给系统一个标示。用“\n”标示，否则输出结果都连接到一起了。回车符就是回到一行的开头，用反”\r”标示，所以我们平时编写文件的回车符应该确切来说叫做回车换行符。无论是回车还是换行符都是没有显示的，都属于空白。问题是不同系统之间用来控制换行的标识符不同。
- 在 linux 系统下是换行\n;
- 在 mac 系统下是回车\r;
- 而在 windows 系统下回车加换行两个字符\r\n；
那么怎么解决这个问题呢。Linux 下有 dos2unix，unix2dos，unix2mac，mac2unix 等命令来进行格式转换，使用起来非常的方便，直接输入文件即可。在源文件上进行转换。
五、生物信息常见文件格式
生物信息本质上是利用生物软件处理生物数据，不过在执行的过程中就变成了各种文件格式的相互转换。有生物信息学家开玩笑说自己每天的工作就是文本格式转换，其实是这样的，例如测序就是将 DNA 样品转换为 fastq 格式，拼接就是从 fastq 到 fasta，比对就是从 fastq到 bam，编译检测从 bam 到 vcf 等。数据分析就是从文本到表格，表格到图表。所以，了解生物数据的文件格式，并且能够使用相应的工具处理很重要。生物信息最常用的就是 fastq，fasta，bam 以及 vcf 四种格式，此外还有 genbank，maf，psl，axt，gff，gtf，bed 等格式。UCSC 上有一个页面专门介绍每一种生物信息文件格式的具体内容。当需要了解每种格式的内容，可以到该网站进行查看。
文件格式介绍：https://genome.ucsc.edu/FAQ/FAQformat.html#format1
六、管理数据流
1 重定向
linux 系统软件的标准输入，标准输出以及错误输出。标准输入输出是软件工具设计原理里最基本的观念。程序需要有一个数据来源，数据出口，以及报告问题的地方。我们使用生物软件来处理生物数据。输入文件就是我们要处理的原始文件，比如测序的序列，将数据交给软件，最终软件正确输出的结果就是我们要的结果。如果软件执行有问题，则会输出错误提示。我们拿一条序列去 NCBI 做 blast 比对也是一样的道理，输入一个序列，交给后台软件处理，等待返回结果。
Linux 启动后，会默认打开 3 个文件描述符，分别是：标准输入 standard input 0，标准输出；standard output 1，错误输出：error output 2。 标准输入 (stdin) ：代码为 0 ，可以直接从键盘输入，也可以通过文件输入。在所有的编程语言中，也会涉及到这三个内容。
如果不需要输出内容，既不让屏幕输出，也不想要保存到一个文件中，这个时候可以使用/dev/null 这个“黑洞”文件。这样输出内容将直接丢弃。
- #写入黑洞文件
- ll ../data/demo.sam 1>/dev/null
- #使用错误输出
- ll ../data/demo.sam 1>/dev/null 2>stderr.txt
2 管道
管道就是一条竖线，是键盘上位于退格键与回车键之间的键，同时按下键盘上的 Shift+反斜杠（\）键即可输入管道符，其执行格式为“命令 A | 命令 B”。管道命令符的作用也可以用一句话概括为“把前一个命令原本要输出到屏幕的信息当作后一个命令的标准输入”。
其实管道的作用与现实中的管道意义相似，都是改变“流”的方向，一个是改变水流电流风流等，另外一个是改变数据流的方向。通过管道可以将很多软件连接起来，例如一个软件的输入作为下一个软件的输出。使用管道符无需保存中间文件，将很多命令连接起来极大的提高的工作效率。
- #使用管道
- ps -aux | grep "root" | wc
3 参数传递 xargs
xargs 命令是给其他命令传递参数的一个过滤器，也是组合多个命令的一个工具。它擅长将标准输入数据转换成命令行参数，xargs 能够处理管道或者 stdin 并将其转换成特定命令的命令参数。
xargs 是一个强大的命令，它能够捕获一个命令的输出结果，然后传递给另外一个命令。之前管道也是传输数据的作用，但是 xargs 与管道不同，管道传递的是数据流，而 xargs 则能够进行参数传递。所以，xargs 也是一个非常高效的命令。
xargs 也可以将单行或多行文本输入转换为其他格式，例如多行变单行，单行变多行。xargs的默认命令是 echo，空格是默认定界符。这意味着通过管道传递给 xargs 的输入将会包含换行和空白，不过通过 xargs 的处理，换行和空白将被空格取代。xargs 是构建单行命令的重要组件之一。
- #1 将内容拆成多列显示
- cat ../data/xargs.txt | xargs
- cat ../data/xargs.txt | xargs -n 3
- #2分割符
- cat /etc/passwd | xargs -d ":"
- #将一行内容分成三列
- echo {a..z} | xargs -n 3
- #4 将目录下全部fa找出来，拷贝到当前目录下
- find ../corona/ -name "*.fa" | xargs -t -I{} cp {} ./
- #搜索名字为sleep的进程，然后kill掉
- sleep 20 &
- ps -u $USER | awk '/sleep/ {print $1}' | xargs echo kill #echo显示下命令再去掉后执行
- ps -u $USER | awk '/sleep/ {print $1}' | xargs kill -9
- pidof sleep | xargs kill -9
|
|
