31.《Bioinformatics-Data-Skills》之

对数据进行排序的好处有：

• 提高特定程序的运行速度，这些程序（后续会介绍）在输入排序过的数据会大大减少运行时间
• sort | uniq 作为一个常用的连招使用保留唯一值（下一节具体介绍）。

这里我们介绍一下Unix的排序命令sort的用法。

以example.bed文件（如下）为例 ：

$ cat example.bed
chr1    26      39
chr1    32      47
chr3    11      28
chr1    40      49
chr3    16      27
chr1    9       28
chr2    35      54
chr1    10      19

直接将此文件传入sort命令，sort命令按照由第一列到最后一列，字母表的顺序对文件各行进行排序：

$ sort example.bed
chr1    10      19
chr1    26      39
chr1    32      47
chr1    40      49
chr1    9       28
chr2    35      54
chr3    11      28
chr3    16      27

注：sort命令默认的列之间分隔符为\t，可以使用-t指定（例如对于csv文件使用-t,）。

文件第二列按字母顺序排序存在明显的问题，之前我们提过一种解决方式是在数字前面补0。实际上sort命令可以使用-k参数指定需要排序的列与排序方式（见下方代码）。

$ sort -k1,1 -k2,2n example.bed
chr1    9       28
chr1    10      19
chr1    26      39
chr1    32      47
chr1    40      49
chr2    35      54
chr3    11      28
chr3    16      27

解释：

-k后面接以逗号分隔的一组数字{start, end}的意思是排序从start列开始到end列结束，那么-k1,1的意思就是只根据第一列排序，另外指定的-k2,2n意思是第一列顺序一样的话还要根据第二列按照数字顺序排序。如果所有指定的列都按照数字顺序排序的话，可以在前面添加-n参数。

有时候包含的数字的字符串我们依然想要通过数字排序，例如example2.bed文件（如下）的染色体编号：

$ cat example2.bed
chr2    15      19
chr22   32      46
chr10   31      47
chr1    34      49
chr11   6       16
chr2    17      22
chr2    27      46
chr10   30      42

可以通过-V参数进行排序：

$ sort -k1V -k2,2n example2.bed
chr1    34      49
chr2    15      19
chr2    17      22
chr2    27      46
chr10   30      42
chr10   31      47
chr11   6       16
chr22   32      46

排序操作吃算力，如果我们能够确定一个文件是已经排序好的文件的话，就没必要重新排序了。sort命令的-c参数可以确定文件是否排序完毕了：

$ sort -k1,1 -k2,2n example.bed > example_sorted.bed
$ sort -k1,1 -k2,2n -c example_sorted.bed
$ echo $?
0
$ sort -k1,1 -k2,2n -c example.bed
$ echo $?
1

以上结果看出，对排序过的文件检查的返回值为0，而未排序过的文件检查的返回值为1。

下面介绍一下sort的进阶用法，首先sort可以采用临时缓存策略排序比可用内存更大的数据，例如：

$ sort -k1,1 -k4,4n -S2G Mus_musculus.GRCm38.75_chr1.gtf

其中-S参数表示sort可以使用2G的内存，数据量更大时采用临时缓存。

sort还可以指定CPU的核数（--parallel）：

$ sort -k1,1 -k4,4n --parallel 4 Mus_musculus.GRCm38.75_chr1.gtf

值得注意的是，并行运算有固定成本，当数据量小的时候运算速度反而更慢。除非你的数据量足够大，否则不要使用这样的性能优化。