05-perl语言中的字符串处理及排序

Posted 2021-04-17 果子学生信

生物信息中的数据是以字符串形式呈现的，而perl语言90%的常用功能都在处理字符串上。所以我用了一些时间来学习这些处理字符串的手段。
比较重要的是index，substr，sort。

---

首先是姐妹花index和rindex

• index 从左边开始给出匹配字符的首字符位置

• rindex 从右边开始给出匹配字符的首字符位置

注意:字符串的第一个位置为0
因为放假没办法用到服务器，所以perl语言的学习全是在mac电脑的终端完成的，其实和linux的终端完全一样。
下面我们设计了一个字符串，他有两个ATG，第一个ATG的A的位置为0，第二个ATG的A的位置为15，我们试一下:




index和rindex有三个参数，第一个为要匹配的序列，第二个为目标字符串，第三个为开始匹配的位置（这个参数可选），当index匹配不到字符串时返回-1，例子中，第四个我们让他从第20个字符开始查找ATG，实际上没有20之后没有ATG了，所以返回值为-1

---

既然可以查找字符串的位置，那么就自然想到截取一段序列，这时候要用到substr函数（其实这个概念我是从excel中知道的）
还是刚才那个序列，这次的目的是：提取出第二个ATG开始到最后一个TAA结束的序列：
思路就是知道要截取的序列，知道开始位置，知道截取长度就可以了。




成功，这里substr也有三个参数，第一个为要匹配的序列，第二个为开始的位置，第三个为匹配的长度。

---

这里我们自然而言地想到，可以截取出一段序列，那么将它替换成其他序列便是举手之劳：



实际上，这里的substr功能完全可以用正则表达式来实现，本次不作介绍。

---

我们再看看处理的序列由碱基ATCG组成，对于生信工作者而言，把他转换成互补序列，反向序列，反向互补序列也应该成为正常需求。
其中反向序列，很好实现，用reverse函数即可，而互补序列用正则表达式的转换功能tr即可(正则表达式有三种模式，匹配，替换，转换)，反向互补序列把得到的互补序列reverse即可：

---

那么我们再进一步，如何分割字符串呢？用split函数，实际上到了这里我们发现，perl语言中的命令完全就是日常用语，可能原因是，perl的发明者本身就是语言学家，那么设计语言时最好满足自然语义。
首先创建一个逗号分隔的字符串，然后尝试几种split分隔的模式及其返回的结果，学习perl语言光看书不行，必须要动手操作，在一个终端里面即时反馈，错了就调试。



split的基本用法就是两个参数，返回的是数组，从@split4可以看出来(4)，如果使用标量上下文返回的是数组元素的个数(1)，如果在末尾加上第三个参数，数字参数，就是限定最终切割的个数，如果是1就是不切割(2,3)，因为split返回的是数组，所以可以使用 []访问数组中的元素(6,7,8,9)，还可以同时命名三个标量，分别赋值见ABC。

---

我们可以分割字符，也可以让他们再次连接在一起，而且可以定义连接的方式
使用join函数；实际上split和join就是相反的过程：

---

此时，那些基本的求序列长度，去掉序最后一个字符，字符大小写转换，首字母大小写也需要一并掌握，实际上这时候会感觉很简单：



一开始序列长度为56，使用chop切掉末尾的T后只剩下56个，使用lc转换成小写，再使用uc转换成大写，使用lcfirst将首字母小写，使用ucfirst将首字母大写，最后尝试了另外的转换大小写的方式。

---

sort排序功能特别重要

perl提供了飞碟操作符：

• $a <=> $b 数字大小排序

• $a cmp $b 字母顺序排序

数字排序：




使用sort直接排序并不能按数字大小排序
字母排序：
借助字母的排序我测试了几种排序的方法以实现不同的效果




通过测试，我发现：

• sort和cmp效果相同(1-2)

• 四种忽略大小写的方法都可以实现相同的结果(3-6)

• 调换$a和$b的位置可以实现和reverse一样的功能(7-8)

• 对sort后的数组再用cmp排序可以实现按字母排序，并且大写字母在前(9)

• 我想怎么实现小写字母在前呢？在9的基础上，增加判断语句，当两个字母相同时，让小写字母在前面(10)

---

借助10的结果，学习一下$a cmp $b以及 $a <=> $b的功能，实际上他们是sort的一个参数
我们先看一下sort的用法

• 直接使用,就是sort @array

• 自定义排序
  sort {sub rule} @files
  {}中就是排序的原则，$a <=> $b的意思就是按数字从小到大排序，$a cmp $b
  就是按字母顺序排序，$，$b是系统的全局变量，我们记住有这样的用法即可，其中$a cmp $b以及 $a <=> $b是有返回值的。
  
  
  此时我们再来理解10的表达式，如果前面两个字母相同，那么返回值就是0，or和||的意思就是如果前面是假则执行后面的程序。
  这种方法在hash的排序中也有广泛的使用。

---

关于hash的排序

准确的说，hash是不能排序的，能够排序的是hash的键名和键值
我们先按照键名来排序：



实际上生活中更常见的是按照分数从大到小排序，用$score{$a},表示键名对应的键值：


我们发现，95分有两个人，我们希望当分数一样的安装名称的字母排序

---

我想我应该已经入门perl字符串的处理了。