Perl的哈希知识点

Posted 2021-04-17 生信星球

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Perl的哈希知识点相关的知识，希望对你有一定的参考价值。

Perl的哈希知识点今天是生信星球陪你的第73天

你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。

你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。

终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！

. Perl中的哈希

哈希数据是没有顺序的；使用键值对，键是唯一的，值可以相同；使用大括号调取键【数组是用中括号，这个区别要注意】；引用哈希变量用%【标量变量用$，数组变量用@ 】；哈希中存储的键值对形式：键=>值

定义空哈希：

%hash=();

将列表改成哈希：

例如有这么一份表格，表示字母与数字的对应：

wordA	one
wordB	two
wordC	three
wordD	four
wordE	five

#!/usr/bin/perl -w
use Data::Dumper; #这个模块可打印出哈希的数据结构
%hash=();#先定义一个空的哈希，一会向其中存入内容

open IN,"<$ARGV[0]"; #文件重定向输入
while (<IN>){ #一行一行读入该文件
    chomp; # 每一行例如wordA one 去掉结尾的换行符
    @line=split /s+/,$_; #按照空格分隔，将两列存储在line数组中【$_是split的作用对象，也就是读入的每一行】
    $hash{$line[0]}=$line[1];#将第一列作为键，第二列作为值存储在之前的空哈希中。
} 
close IN;

print Dumper (\%hash); #print加Dumper模块，再引用哈希

对哈希进行遍历：

keys 函数

# keys函数也常常用在对哈希的遍历过程中
#keys和value函数定义键和值，保存到数组并打印
@key=keys %hash;
@value=value %hash;

print "@key
";
print "@value
"
#返回的键值对还是一一对应的，但是键值对之间的顺序和原来列表不同

#如果将键用$存到标量而不是用@存到数组，那么返回的就是键的个数
#$key=keys %hash; 结果返回的就不是具体的键wordA-E，而是haxi的元素个数5

对哈希进行遍历也可以用foreach

# 实际上foreach是用来对数组进行遍历的，这里的@tmp就是用keys对哈希进行遍历再排序得到的数组
@tmp=sort keys %hash;
foreach (@tmp){
    print"$_
"
    print "$hash($_)
;"
}

while循环中用each

while (($key,$value)=each %hash){
    print "$key
$value
";
}

检测哈希中某个键是否存在：

if (exists %hash{wordA}) {
    print "$hash{wordA}
";
}

生信中的应用～
用哈希进行序列提取：

根据固定的id从另一个文件或者数据库提取出序列

一般处理方式是：将小的数据集存储到一个哈希中，然后再遍历大的数据集，每次判断id在哈希中是否存在，如果存在就输出，不存在继续循环

就想NCBI blast过程，就是根据id去找序列的过程。【那么如果将大的数据集存到哈希中，用小数据集遍历可以不可以实现呢？其实也可以，但是会消耗大量的资源，不值得！就想去blast，如果将大的NCBI nt数据库存到哈希，那么这个数据库有80多个G，是很慢的】

# 第一步：将gene id【第一个参数】存储到哈希中
#!/usr/bin/perl -w
use strict;
use Data::Dumper;
if (scalar @ARGV==0){ #添加帮助信息，如果ARGV这个命令行参数个数为0，即没有输入的id文件和基因序列文件
    die "Usage: This program is used to extract sequence by a gene id from a gene list 
        perl $0 <id list> <fasta file>";
} #die函数终止程序，并打印返回信息；$0意思是程序的名字

my hash=();
open IN,"<$ARGV[0]";
while (<IN>) {
    chomp;
    $hash{$_}=1;
}
close IN;
#print Dumper (\%hash);

# 第二步：读取基因序列文件【格式是每个id对应一条序列】
open FA,"<$ARGV[1]"; # 打开fasta格式序列文件
$/=">";<FA>; #根据fasta的格式，将分隔符$/修改为>，这样每次读入的数据就是一个字段，也就是一个完整的基因序列。包括了id和序列
while (<FA>) { # 每次读入一个分隔后的基因
    chomp;
    my id=(split /
/$_,2)[0]; #将id与序列分开～利用换行符进行分隔，存为一个为定义标量。最后加上的数字2，意思是将标量分成两份，也就是id行和序列行。然后就可以根据基因id，即分隔后的[0]进行判断
    if (exists $hash{$id}){ #判断第一步生成的哈希中的值在id中是否存在
        print ">$_"; #因为原来gene id是带>的，但是$id中用$/=">"处理后就不带>,所以最后输出还需要加上>;另外输出的结果是$_,即id+序列
    } else {
        next; #一个一个判断，如果不存在就检查下一个
    }
    print "$id
"
}
close FA;