把多个文件中的180条蛋白序列ID替换为物种编号

[yhzii]

请问大家，
我有100个蛋白序列文件，每个蛋白序列文件中包含约180条蛋白序列，需要把每条序列ID替换为对应的物种编号；序列ID和物种编号的对应关系在另一个矩阵文件（matrix.txt）中存储，矩阵中的列名即为物种编号，每个单元格是序列ID，一个物种中包含很多条序列。请问代码应当如何编写？
我尝试了for循环里使用sed awk但都很难做到。
希望大佬们帮我指点一下。拜托啦

附件是待替换的蛋白序列文件和物种编号矩阵。

[lilydjwg]

要是我就用 Python 写了，有这个提问的时间，我的 Python 脚本都写好了……
shell 脚本不擅长比较精细的处理。

[yhzii]

要是我就用 Python 写了，有这个提问的时间，我的 Python 脚本都写好了……
shell 脚本不擅长比较精细的处理。

能大概说明一下python的步骤吗？比如用到什么插件，分成几步？因为python我不太会

[lilydjwg]

要是我就用 Python 写了，有这个提问的时间，我的 Python 脚本都写好了……
shell 脚本不擅长比较精细的处理。

能大概说明一下python的步骤吗？比如用到什么插件，分成几步？因为python我不太会

你会什么语言就用什么语言呀。（都不会的话建议学一下 Python）
用不上什么插件啥的。

把替换表读进来。
把数据读进来。
查表替换。
输出结果。
完。

[yhzii]

要是我就用 Python 写了，有这个提问的时间，我的 Python 脚本都写好了……
shell 脚本不擅长比较精细的处理。

能大概说明一下python的步骤吗？比如用到什么插件，分成几步？因为python我不太会

你会什么语言就用什么语言呀。（都不会的话建议学一下 Python）
用不上什么插件啥的。

把替换表读进来。
把数据读进来。
查表替换。
输出结果。
完。

好的，我去试试。多谢了

[yhzii]

要是我就用 Python 写了，有这个提问的时间，我的 Python 脚本都写好了……
shell 脚本不擅长比较精细的处理。

能大概说明一下python的步骤吗？比如用到什么插件，分成几步？因为python我不太会

你会什么语言就用什么语言呀。（都不会的话建议学一下 Python）
用不上什么插件啥的。

把替换表读进来。
把数据读进来。
查表替换。
输出结果。
完。

好的，我去试试。多谢了

您好，我用python尝试正则re.sub查找和替换，但是他总是报错【TypeError: 'Index' object is not callable】
以下是我用的python代码，麻烦您帮忙看看
import pandas as pd
import re
genelist=pd.read_excel("/mnt/f/MAGs/meishan7/downstram/MGIItree/test/gene1.xlsx")
from Bio import SeqIO
for seq in SeqIO.parse("/mnt/f/MAGs/meishan7/downstram/MGIItree/test/proteins.faa","fasta"):
seqid=seq.id
re.sub(r'\D',seqid,genelist.columns(seqid))
print(seqid)

[lilydjwg]

类型不对啦，re.sub 需要字符串类型。我也不了解 pandas 用的那些类型怎么转换。
建议你也先不要用 pandas，直接用 Python 自带的功能处理文本文件就好啦。（你大概可以把表格导出成 csv 再交给 Python 处理）

[yhzii]

类型不对啦，re.sub 需要字符串类型。我也不了解 pandas 用的那些类型怎么转换。
建议你也先不要用 pandas，直接用 Python 自带的功能处理文本文件就好啦。（你大概可以把表格导出成 csv 再交给 Python 处理）

还是谢谢大神了，我再学习学习，，真令人头秃呀

[astolia]

我尝试了for循环里使用sed awk但都很难做到。

只要思路清晰，用awk处理并不难

代码： 全选

for file in proteins_*.txt; do
    (tr -d '\r' < matrix.txt;echo "==matrixend==";cat "$file") | awk 'BEGIN{p=0;FS="\t"}{
        if ($0=="==matrixend==") {
            p=1
        }
        if (p==0) {
            for(i=1;i<=NF;i++) {
                a[NR,i]=$i
            }
            COLS=NF
        } else if(p==1) {
            for(c=1;c<=COLS;c++) {
                for(r=2;r<NR;r++) {
                    if (a[r,c]=="") {
                        continue
                    }
                    map[a[r,c]]=a[1,c]
                }
            }
            p=2
        } else {
            if ($0 ~ /^>/) {
                printf(">%s\n",map[substr($0,2)])
            } else {
                print($0)
            }
        }
    }' > "$(basename "$file")"_new.txt
done

基本思路就如同4楼说的。一个难点在于要处理两个文件，我这里用了一个小技巧，把两个文件合并成一个，中间用自定义的分隔行分隔，一起扔给awk处理。在最开始时，读入matrix.txt的内容，保存到二维数组中。遇到分隔行后，根据二维数组的内容构造出一个映射表。最后在处理proteins_*.txt时，根据映射查找表进行替换

[yhzii]

我尝试了for循环里使用sed awk但都很难做到。

只要思路清晰，用awk处理并不难

代码： 全选

for file in proteins_*.txt; do
    (tr -d '\r' < matrix.txt;echo "==matrixend==";cat "$file") | awk 'BEGIN{p=0;FS="\t"}{
        if ($0=="==matrixend==") {
            p=1
        }
        if (p==0) {
            for(i=1;i<=NF;i++) {
                a[NR,i]=$i
            }
            COLS=NF
        } else if(p==1) {
            for(c=1;c<=COLS;c++) {
                for(r=2;r<NR;r++) {
                    if (a[r,c]=="") {
                        continue
                    }
                    map[a[r,c]]=a[1,c]
                }
            }
            p=2
        } else {
            if ($0 ~ /^>/) {
                printf(">%s\n",map[substr($0,2)])
            } else {
                print($0)
            }
        }
    }' > "$(basename "$file")"_new.txt
done

基本思路就如同4楼说的。一个难点在于要处理两个文件，我这里用了一个小技巧，把两个文件合并成一个，中间用自定义的分隔行分隔，一起扔给awk处理。在最开始时，读入matrix.txt的内容，保存到二维数组中。遇到分隔行后，根据二维数组的内容构造出一个映射表。最后在处理proteins_*.txt时，根据映射查找表进行替换

太厉害了！！！！！感谢大神，我也要好好学习了