计算文件中某个单词的出现次数，计算任何重复单词的出现次数。 Perl

Question

我使用正则表达式逐行读取文件，然后将其拆分为如下标量变量，正则表达式可以正常工作。

while (<GTFFILE>) {

        if ($_ =~ /(^\d)\s+\w+\s+(\w+)\s+(\d+)\s+(\d+)\s+\.\s+\W\s+\.\s+(\w+\_\w+\s+\"\w+\"\;)/){

    my $gene = $1;
    my $type = $2;
    my $start = $3;
    my $end = $4;
    my $geneId = $5;

尝试从从正则表达式中获取的值生成散列。

    $featurestart{$start} = $start;
    $featureend{$end} = $end;   

我需要使用从正则表达式生成的哈希来查找外显子的长度。这是每行完成的，但我收到错误：Missing $ on loop variable。有什么想法吗？

            for each ($_) { 
            $exonlength = ($featureend{$_} - $featurestart{$_});
            printf ("Exon lengths: = %1.1f\n", $exonlength);
            }

在这里我一无所知，我想找到$geneId中每个单词的出现次数。我将如何匹配未知单词，并计算每个未知单词的不同出现次数？我猜测某种函数可以聚集在一起，也许在散列/数组中将一个单词的重复放在一起，然后以某种方式计算每个簇？

                    $geneCount{$geneId} = $type; 
                foreach $geneId { 

                }
        }   
    }
}

GTF 文件的每一行是： 1 个未知外显子 3204563 3207049。 - 。基因ID“Xkr4”；基因名称“Xkr4”； p_id "P15240"; transcript_id "NM_001011874.1"; tss_id "TSS13146"; 这就是正则表达式正在阅读的内容。外显子因行而异，可以是外显子，也可以是 cds 等，每行只有一个或另一个，因此计算外显子一词的出现次数，计算文件中外显子的数量。 “外显子”后面用空格隔开的两个数字是坐标，外显子长度是通过从第一个数字中减去第二个数字来计算的。用';'分隔的短语被分组为geneId。对于这些，我想计算整个文件中这部分的出现次数，类似于外显子，这会发生变化，但是不知道字符串可能是什么，所以想法是找出这个变量中有多少不同的字符串出现。

Answer 1

好的，有几个问题。首先请允许我将必填链接放到https://metacpan.org/pod/Bio::Perl，当有人提到基因和解析文件时，我总是很想这样做。

当你到达​​p>

if ($_ =~ /exon/)

$_ 仍然是整行。因此，您检查当前行中是否包含字符串“exon”。所以我假设您想计算该字符串的出现次数？可悲的是tr/// 不会为你这样做。相反，它将用自己替换每个“e”、“x”、“o”或“n”，并计算发生的频率。所以你计算字符，而不是“外显子”这个词。如果你坚持用这种笨拙的方式计算 s/exon/exon/g 而不是 tr/// 东西应该可以工作。

编辑： 好的，抱歉，我不得不中断写作。

对于您的错误：您要循环什么？如果你的意思是

foreach ($_) {

那么这没有多大意义，因为$_ 只是一个元素。外显子的长度是多少？我根本不知道外显子是什么。 但我假设您打算以其他方式填充您的哈希值。实际上，它们与值具有相同的键，因此首先将它们放在首位并没有多大意义。

如果您在计数后需要任何帮助，您当然必须提供更多信息，您的输入是什么样的以及您正在尝试做什么。

edit 2 问题被编辑后：

好的，如果这是您想要做的，您可以执行以下操作：

my $numberOfExon = 0;   # We will increase this whenever we meet an exon.
my @exonLength;         # This array will store all the exon lengths          
my %geneCount;          # This hash will store the counts per geneId

while (<GTFFILE>) {

    if ($_ =~ /(^\d)\s+\w+\s+(\w+)\s+(\d+)\s+(\d+)\s+\.\s+\W\s+\.\s+(\w+\_\w+\s+\"\w+\"\;)/){

        my $gene = $1;
        my $type = $2;
        my $start = $3;
        my $end = $4;
        my $geneId = $5;

        if ($_ =~ /exon/){

            $numberOfExon++;              # just count the lines that have exon in them
            my $length = $end - $start;   # just calculate the length

            push @exonLength, $length;    # Do with the length whatever you want

            $geneCount{$geneId}++;        # Increase the number of times this Id was seen
                                          # If this was the first time, a new field is created
        }
    }
}

print "Number of Exon: $numberOfExon \n";
print "Count of Ids:\n";
use Data::Dumper;
print Dumper(\%geneCount);

这仅计算外显子的 Id，而不是其他任何东西的 Id。如果你想要其他的，只需将geneCount{geneId}++放在第一个}（if外显子部分）之后。