原创：hxj7
关键词：bed; sort; cmp; key; alpha-numeric
问题
在处理NGS数据时，经常要对BED文件进行排序。比如BED文件长这样，分隔符是’\t’：
image
我们想按照如下规则进行排序：
- 第一列按照染色体编号进行排序，排序后应该是chr1, chr2, chr4, chr5, chr10, chr20, chrX。
- 第二列和第三列按照数字序进行排序。
第一个子问题
首先，我们先来看看如何对第二列进行排序。
刚接触GNU sort命令的同学可能都写出过类似下面的命令：
image
并且期待结果会是
image
但是实际上的结果是
image
为什么？这是因为sort默认按照字典排序规则对字符串进行排序。比如，字符串”10”的第一个字母是”1”，比字符串”2”的第一个字母”2”小，所以字符串”10”小于字符串”2”。我们要想按照数值大小进行排序，正确的做法是要给sort加上”-n”选项。
image
这样就会得到预期的结果了。
第二个子问题
如何对染色体编号进行排序呢？用上面的”-n”选项可以吗？
如果我们给出这样的命令：
image
答案会是：
image
很显然这个结果是不对的。虽然加了”-n”选项，但是由于染色体编号都是”chr”开头的，所以sort命令仍然将”chr”后面的数字视作字符串，按照字典排序规则进行排序。
正确的做法是使用”-V”选项。
image
将会得到正确答案：
image
最初的问题
有了两个子问题的答案，让我们回到文章开始的问题：如何对BED文件进行排序？我们给出如下命令：
image
其中-k选项是指定第几列。
这样的话文章开头提到的那个BED示例文件经过排序后就会变成
image
Python版本
这里我们也分享一种Python对BED文件进行排序的方法。简单起见，假设我们只对BED文件的第一列（染色体编号）进行排序。代码如下：
image
上面的代码其实只是利用了Python中的sorted函数，该函数原型是：
image
其中：
（图片来源：http://www.runoob.com/python/python-func-sorted.html）
并且值得注意的是，上面的代码使用了x.partition(‘\t’)而非x.split(‘\t’)。当只需要解析字符串的第一个“字段”的时候，partition()函数的效率比split()的效率高，因为它不会解析剩余的“字段”。
如果有任何问题欢迎交流！
（公众号：生信了）
image
网友评论